1.一种基于多尺度自适应随机森林的激光雷达检测人腿方法,其特征在于,所述方法包括下述步骤:
(1)训练多尺度自适应随机森林分类器模型,包括如下子步骤:
(1.1)对原始2d激光雷达数据集所有点云中的人腿点簇进行实例级别的标注,得到带标注的标准训练数据集;
(1.2)根据(1.1)所得到的带标注的标准数据集,遍历数据集中的2d激光雷达点云数据,提取标记的人腿点簇和非腿点簇,并计算每个点簇的特征作为训练样本,同时计算特征的全局正负样本区分度;
(1.3)定义多尺度自适应随机森林分类器模型,根据(1.2)中提取得到的训练样本及训练标签,设计分类器的多尺度结构、特征选择方式及样本划分方式,通过训练标签监督训练样本来训练多尺度自适应随机森林模型;
(2)利用上述训练好的多尺度自适应随机森林模型对待检测的2d激光雷达数据进行人腿检测,包括如下子步骤:
(2.1)先将待检测的一帧激光雷达点云聚类为多个点簇,并将包含点的个数小于预设阈值的点簇剔除,计算每个点簇的特征并以此作为训练好的多尺度自适应随机森林分类器模型的输入;
(2.2)随机森林首先根据点簇与激光雷达之间的距离f16判断待检测对象f所属于的尺度,然后选择模型中特定层次的森林进行判断,对于待预测的样本,决策树从根结点开始预测,样本根据结点参数向子结点传递,直至叶子结点输出结果;
(2.3)每个点簇预测完成后,得到该点簇为人腿点簇的置信度y∈[0,1],将置信度大于预设阈值的点簇判定为人腿,并以点簇的几何中心坐标作为人腿的位置。
2.根据权利要求1所要求的基于多尺度自适应随机森林的激光雷达检测人腿方法,其特征在于,所述步骤(1.2)包括:
(1.2.1)针对训练样本集中每一帧激光雷达点云,通过基于相邻点之间的欧式距离的聚类算法,将每一帧雷达点云聚类成k个点簇s1,s2,…,sk,k为预设值,点簇相互之间互相不包含相同的点,剔除这些点簇中包含点的个数小于3的点簇,判断保留下的点簇是否有leg标签,若存在则为正样本点簇,否则为负样本点簇;
(1.2.2)计算样本点簇的17维几何特征值,包括:点簇包含点个数,点簇中每个点的与激光雷达之间的距离标准差,点簇中每个点到中位点的平均距离,左侧是否存在遮挡,右侧是否存在遮挡,点簇宽度,点簇的线度,点簇的圆度,点簇拟合圆半径,点簇所有点构成折线长度,点簇平均曲率,点簇平均连续三点内切角,边界正则性,点簇平均内切角,点簇平均内切角标准差,点簇的中位点与激光雷达之间距离,点簇所有点与激光雷达之间的平均距离;
(1.2.3)构建训练样本,对从(1.1)标准训练数据集中聚类得到的n个点簇分别提取(1.2.2)中的17维向量,构成训练样本,其中,正训练样本分类标签为1,负训练样本分类标签为0,构成训练样本所对应的训练标签;
(1.2.4)计算所有特征在全局训练样本中对正负样本区分能力。
3.根据权利要求1或2所要求的基于多尺度自适应随机森林的激光雷达检测人腿方法,其特征在于,所述步骤(1.3)包括:
(1.3.1)构建随机森林分类器的多尺度结构,根据训练样本的点簇中位点与激光雷达之际距离,将全局训练样本划分为三种不同尺度,随机森林分类器f的多尺度结构采用层叠式的结构,共由三层子森林组成;
(1.3.2)将每棵决策树选取的训练样本集中所有样本作为输入数据,训练该决策树。
4.根据权利要求2所要求的基于多尺度自适应随机森林的激光雷达检测人腿方法,其特征在于,所述步骤(1.2.2)中的17维特征具体为:
1)、点簇包含点个数:n=|sk|;
2)、点簇中每个点的与激光雷达之间的距离的标准差:
3)、点簇中每个点到中位点的平均距离:
4)、左侧是否存在遮挡:存在遮挡为1,不存在遮挡为0;
5)、右侧是否存在遮挡:存在遮挡为1,不存在遮挡为0;
6)、点簇宽度:点簇第一个点与最后一个点之间的欧式距离d1,n;
7)、点簇的线度:该特征描述了点簇所有点构成的直线程度,通过最小二乘法寻找出拟合该点簇所有点的最优直线,进而计算点簇所有点到该直线的距离平方和;
8)、点簇的圆度:该特征描述了点簇所有点构成圆弧的成圆程度,首先通过求解三元二次方程组解得拟合圆的半径r及圆心坐标(pc,qc),再进一步求得该点簇的圆度sc;
9)、点簇拟合圆半径r;
10)、点簇所有点构成折线长度:l=∑jdj-1,j;
11)、点簇平均曲率:该特征描述了点簇得弯曲程度,这里采用一种近似计算方法,计算点簇中任意三个连续得点得内接圆半径γi,平均曲率为:
12)、点簇平均连续三点内切角:该特征计算了点簇任意三个连续点{ri-1,ri,ri+1}所构成角度βi=∠(ri-1ri,riri+1)的平均值;
13)、边界正则性:该特征计算了点簇中每两个相邻点之间欧氏距离di,i+1的平均值;
14)、点簇平均内切角:该特征计算了点簇中除首尾两点外,其他任意一个点与首尾两点构成的角平均值:
αi=∠(rir1,rirn)
15)、点簇平均内切角标准差:
16)、点簇的中位点与激光雷达之间距离:
17)、点簇所有点与激光雷达之间的平均距离:
5.根据权利要求2所要求的基于多尺度自适应随机森林的激光雷达检测人腿方法,其特征在于,所述步骤(1.2.4)包括:
训练样本整体包含n+个正训练样本和n-个负训练样本,计算正训练样本中每个特征的均值
计算得到φ=[φ1,φ2,…,φ17],来表示每一维特征在全局训练样本中对正负样本的区分能力,训练样本、训练标签和特征的区分能力一同用于训练模型。
6.根据权利要求3所要求的基于多尺度自适应随机森林的激光雷达检测人腿方法,其特征在于,所述步骤(1.3.1)包括:
根据训练样本与激光雷达之间的距离,多尺度自适应随机森林分类器模型f的多尺度结构采用“层叠式”结构,用于预测处于三种不同距离尺度的样本:
随机森林共由三层子森林组成:f={f1,f2,f3};第一层f1由100棵决策树组成,负责对任意尺度
7.根据权利要求3所要求的基于多尺度自适应随机森林的激光雷达检测人腿方法,其特征在于,所述步骤(1.3.2)包括:
决策树在初始时仅包含一个结点,作为树的初始根结点,判断当前结点是否至少满足以下任意一个条件:a)树的深度大于等于20;b)当前结点样本个数小于等于1;c)联合基尼不纯度g小于等于0.0001;
若满足,则直接生成叶子结点,并记录当前结点的正样本占全体样本比例,不满足,则从17个特征中随机选取4个特征,依次尝试使用这4个特征中将当前结点的n个训练样本划分为左右两个子集,通过基尼不纯度评估划分对正负样本的分开程度,并选择将正负样本更加正确分开的特征fi以及划分阈值θi作为该结点的参数,计算最优划分特征fi在当前结点的局部样本集上对正负样本的区分能力φi;
当φi-φi>0.2时,该结点转化为采用概率划分方式样本,使用i特征将当前结点的n个样本重新进行划分,第k个样本分别以权重pk,l和pk,r划分至左子集和右子集,其中:
pk,l=p(xk,i<θi)
pk,r=p(xk,i>θi)=1-pk,l
所有样本划分完毕后,计算左右样本子集的带权基尼不纯度gl和gr,并计算左右样本子集的联合基尼不纯度g:
g=wl·gl+wr·gr
其中
继续创建该结点的子结点,采用上述训练方式,递归的训练每个子结点,直至没有新的结点创建,决策树训练完毕。
8.根据权利要求1或2所要求的基于多尺度自适应随机森林的激光雷达检测人腿方法,其特征在于,所述步骤(2.2)具体在于:
若f16<3.0,则该样本属于尺度
若3.0≤f16<6.0,则该样本属于尺度
若f16≥6.0,则该样本属于尺度
9.根据权利要求8所要求的基于多尺度自适应随机森林的激光雷达检测人腿方法,其特征在于,对第i层森林中第m棵决策树,其进行预测时包含以下步骤:
初始样本权重为ωprev=1,依据结点学习的特征i及其分割阈值θi,将该样本划分至其子结点;
若该结点采用普通划分方式,当fi<θi时,划分到左子结点,否则划分至右子结点,样本在划分时维持当前权重:ωnext=ωprev;
若该结点采用概率划分方式,样本将以权重wl和wr分别划分至左右结点,在划分至左右子结点时,样本在左右子结点上的权重
决策树的结点递归地采用上述方式将样本划分至n个叶子结点,假设这n个叶子结点输出分别为o1,o2,…,on,待检测对象在这些叶子结点上的权重分别为ω1,ω2,…,ωn,则该决策树的最后输出为:
第i层森林fi的所有决策树预测值的平均值作为该层森林的输出:
10.根据权利要求1所要求的基于多尺度自适应随机森林的激光雷达检测人腿方法,其特征在于,所述步骤(1.1)包括:
根据收集数据时的实际场景,在雷达点云中为人腿点簇的位置添加leg标签,表示该样本记为正样本,在其他非人腿点簇处不添加标签,表示该样本记为负样本,完成对所有原始2d激光雷达数据集标注,得到带标注的标准训练数据集。