一种激光雷达图像片段识别的方法和设备的制造方法
【技术领域】
[0001] 本发明涉及无线识别领域，特别是无线雷达图像片段的识别。
【背景技术】
[0002] 相较于光学感受器，激光雷达有其独特的信号处理流程。激光雷达信号由于其高 精确度和高采样率，单位时间的数据量相对而言非常高。激光雷达采集的原始数据通常是 一种点集云状结构。每一个点代表激光的一次反射。首先处理各个器件之间的时间差，使 得点集云最大程度的反映，在测量时刻前后，无人车与周边环境之间的距离。
[0003] 激光雷达采集的每一个片段反映一个相对的时空连续的物体，目前已经有一些方 法自动实现片段的切割。
[0004] 在实现本发明的过程中，发明人发现，在识别激光雷达采集的每一个片段时，由于 仍然无法避免的切割不足和过分切割的问题，导致识别物体的成功率很低。
【发明内容】
[0005] 以下给出对一个或更多个方面的简化概述以力图提供对此类方面的基本理解。此 概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性 要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或更多 个方面的一些概念以作为稍后给出的更加具体的说明之序。
[0006] 本发明提供一种识别激光雷片段的自主学习方法，解决由于切割不足和过分切割 而导致的识别率低的问题。
[0007] 为实现上述目的，发明人提供了一种激光雷达图像片段识别的方法包括步骤：
[0008] S101、建立训练样本集，训练样本集中的片段全部都有明确的归属；
[0009] S102、用一组数值刻画片段的特征；
[0010] S103、通过机器学习的过程从训练样本集中提取出所需标准，将提取出的标准综 合在一起，共同形成一个判断总体标准H ;
[0011] S104、将总体标准H应用于识别片段。
[0012] 进一步，所述标准表示为：
[0014] 其中，k是标准ak在总体标准H中的编号；fk(z)指的是描述符z的某几个描述符， 或一部分描述符，或全体描述符；X k贝lJ是一个相对应编号为k的标准a k的中心，标准a GkS半径，c代表片段的分类。
[0015] 进一步，所述从训练样本集中提取出所需标准，为：
[0016] S301、首次迭代，每一个片断拥有同样的权重，以此为假定，我们用决定树或是回 归的方法得到第一个标准；
[0017] S302、然后，利用这个标准，去权重重新计算每一个片断，对那些成功归类的点，给 予小权重，相反的则加大权重；然后以此为新的假定再创造新标准；这样，不能被成功归纳 的片断会被逐渐加大权重，直到被成功归类；
[0018] S303、重复上一步，直至不能创造出有效的标准，或者最大迭代次数达到。
[0019] 进一步，所述步骤将判断标准应用于识别片段为：
[0020] 具体片段m的时长为t，在t时间内具有T个采样，分别编号为I-T ;计算：
[0022] 其中α，β，γ为待定系数，这是一个对于α，β，γ的凸问题，直接求解，最终求 出的Ha就是具体片段m的分类最终结果；
[0023] Wni代表具体片段m的权重，yni为训练样本集中给出的分类结果，zm1:T代表样本m的 T个采样中的图形特征。
[0024] 区别于现有技术，上述技术方案可以将片断的运动参数作为辅助参数也加入到机 器学习过程。即有任何外部参数被认为与分类结果相关，即使关系不十分明显，都可以加入 到机器学习的描述符向量中。程序会自动评判是否有用。如果不做这种改进，则可能忽略 一些有用的标准。而通过机器学习从训练样本集中提取出所需的标准，提取出的标准中包 括以运动参数作为特征的标准，可以进一步有效的识别片段，进而提高片段的识别率，解决 无法避免的切割不足和过分切割导致识别物体的成功率很低的问题。
[0025] 为能达成前述及相关目的，这一个或更多个方面包括在下文中充分描述并在所附 权利要求中特别指出的特征。以下描述和附图详细阐述了这一个或更多个方面的某些说明 性特征。但是，这些特征仅仅是指示了可采用各种方面的原理的各种方式中的若干种，并且 本描述旨在涵盖所有此类方面及其等效方面。
【附图说明】
[0026] 以下将结合附图来描述所公开的方面，提供附图是为了说明而非限定所公开的方 面，附图中相似的标号标示相似要素，并且在其中：
[0027] 图1为本实施例的步骤示意图；
[0028] 图2为【具体实施方式】所述的片段与结果示意图。
【具体实施方式】
[0029] 为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实 施例并配合附图详予说明。在以下描述中，出于解释目的阐述了众多的具体细节以提供对 一个或更多个方面的透彻理解。但是显而易见的是，没有这些具体细节也可实践此类方面。
[0030] 需要说明的的是，本申请中所述的片段通常指激光雷达图像片段，每一个片段反 映一个相对的时空连续的物体。发明人提供一种激光雷达图像片段识别的方法，如图1所 示，其可以分为几步：
[0031] 首先需要建立训练样本集。训练样本集中的片段全部都有明确的归属，本篇所述 方法规定三个归属集，行人，自行车，汽车。这些片段或是来自前人已经建立的训练样本集， 或者就是需要处理的数据的一部分，先由人手工处理。这些片段可以不限时常，不限大小。 通用性和兼容性相对而言非常不错。
[0032] 其次，需要将各片段抽象化。所谓的抽象是指用一组数值刻画片段的特征。可以 是片段本身的特点，比如说梯度，梯度的导数等等。也可以是该物体的运动状态，比如速度， 角速度等等。抽象化是一种抉择，一种近似。首先，选择认为少数几个数值可以反映，或者 很大程度上反映片段所代表的物体的本质。这种假设并不总是显然。其次，作为无人车的 设计者，只关心这些物体的粗略特质，比如是人还是车，而不用细究，什么牌子，什么颜色等 等无关细节。很幸运，在无人车识别行人车辆这个问题上，这种选择基本合理。
[0033] 最后，通过机器学习的过程从训练样本集种提取出所需标准，将它们综合在一起， 共同形成一个判断标准。再用这个标准去处理数据。通常说来，没有一个方法能够提前保 证高成功率。训练样本集如果不能提供针对所需处理数据的信息，那么机器学习成功的可 能性必然降低。训练样本集，学习周期，学习方法的选择都需要慎重。限于篇幅，我们不在 这一篇多作叙述。
[0034] 对于描述符的建立：首先我们建立描述符空间。激光雷达信号分割出的片断时间 和空间上都连续。所以，我们可以提取这个片断所代表的物体的运动特征。包括但不仅仅 是：最大速度、平均速度、最大加速度、平均加速度、最大角速度等。此外还可以提取图形特 征。许多文献提到过旋转图像（spin image)和有向梯度。在此不多叙述。值得注意的是， 所有特征都需要对齐。比如我们可以选择z轴作为中心轴，将所有描述符图的朝向对准。这 是为了避免由于朝向不同影响识别效果。
[0035] 根据建立的描述符空间，训练样本集。训练样本集中的信号，在此例中就是描述符 加上对应的分类结果。通常说来，训练样本集是待处理信号的子空间，而不是任意选取。这 样最大程度保证信号生成的条件不变，信号之间的差异主要由被观测物和背景环境产生。
[0036] 训练样本集的一个重要参数为学习比例。即以总信号量的多少百分比作为训练样 本集。实践中，优选的，可以多选取模棱两可的信号片段，即人工识别也有一定难度的信号 片段，比如噪声较大，比如过度切割，必须保持适当的混合。
[0037] 另外，在此例中，我们将片断的运动参数作为辅助参数也加入到机器学习过程。如 果在设计过程中，有任何外部参数被认为与分类结果相关，即使关系不十分明显，都可以加 入到机器学习的描述符向量中。程序会自动评判是否有用。但如果不做这种改进，则可能 忽略一些有用的标准。
[0038] 在本实施例中，用H代表总体标准（即判断训练样本分类的总体标准），H的真实 解可能非常复杂，但是假设它可以写成一些较为简单的函数的和：
[0040] 其中C代表分类，k是标准的编号（标准ak在总体标准H中的编号），z代表描述 符。在此本实施例中选用如下式表示标准，选用下式表示是因为能做这样分解的函数遍布 整个函数空间，可以无限逼近可测函数。
[0041]
[0042] fk(z)指的是z的某几个描述符，一部分，甚至全体。知则是一个相对应编号为k 的标准ak的中心，标准ak& Θ k为半径。所有落入这个圈的z，它们的H需要加 Iak，否则 保持不变。
[0043] 标准可以是通过迭代算法产生的，在本实施例的迭代的过程中引入了权重w的概 念。首次迭代，每一个片断拥有同样的权重，以此为假定，我们用决定树或是回归的方法创 造出第一个准则。然后，利用这个准则，去重新权重每一个片断。对那些成功归类的点，给 予小权重，对相反则加大权重。然后以此为新的假定再创造新准则。这样，不能被成功归纳 的片断会被逐渐加大权重，直到被成功归类。重复上一步，直至不能创造出有效的标准，或 者最大迭代次数达到。这种迭代的方法被认为可以有效避免过度学习，而实际的功效还需 要具体问题具体分析。由于每一次迭代都需要重新计算权重，也导致算法耗时较长。
[0044] 根据上述方法建立初步的总体标准H，对于待识别的具体片段m，我们得到如下算 式：
[0046] 其中α，β，γ为待定系数，上标H代表运动描述符，上标S代表图形描述符。注 意，图形特征需要取时间平均。L。代表先验知识：
[0048] 因此我们计算：
[0050] 这是一个对于α，β，γ的凸问题，求解直接。最终求出的Ha就是分类的最终结 果。H a是可以是复杂的，其可能包含多种分类。
[0051] 如图2所示，图中上方显示了片段按时间平均后的示意图像，计算后得出该片段 中的物体最后被归类为自行车。
[0052] 发明