劉偉，王世峰，公大偉，王澤，王銳

（長春理工大學(xué) 光電工程學(xué)院，長春 130022）

科技進(jìn)步促進(jìn)無人駕駛的快速發(fā)展，環(huán)境感知影響著無人駕駛汽車［1］的安全性和穩(wěn)定性，對同樣行駛在道路上的其它車輛進(jìn)行識(shí)別和跟蹤是環(huán)境感知中的重要組成部分。實(shí)時(shí)檢測出前方車輛的位置、速度以實(shí)現(xiàn)目標(biāo)車輛的穩(wěn)定性跟蹤至關(guān)重要，進(jìn)而使自主行駛車輛做出運(yùn)動(dòng)控制決策。文獻(xiàn)［2］提出一種模式識(shí)別算法，結(jié)合激光掃描儀和視頻傳感器對目標(biāo)物體進(jìn)行檢測，激光掃描儀估計(jì)距離以及觀察對象的輪廓信息，模式識(shí)別算法可以根據(jù)輪廓和形狀信息對物體進(jìn)行分類，在此基礎(chǔ)上提出了新的車輛特征識(shí)別方法。文獻(xiàn)［3］提出一種基于圖像的目標(biāo)識(shí)別方法，該方法受光照影響較大，光強(qiáng)會(huì)導(dǎo)致圖像的分辨率過低，不能準(zhǔn)確地識(shí)別出目標(biāo)車輛；文獻(xiàn)［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(zhǔn)確率會(huì)大大降低，影響到檢測的穩(wěn)定性。

本文提出了一種基于單線激光雷達(dá)的車輛識(shí)別與跟蹤方法，對點(diǎn)云數(shù)據(jù)使用改進(jìn)的層次聚類算法分離出目標(biāo)車輛，然后對目標(biāo)車輛進(jìn)行多個(gè)特征的提取，同樣也提取非目標(biāo)車輛的特征，最后通過參數(shù)尋優(yōu)使分類器效果達(dá)到最佳，從多個(gè)不同類別的目標(biāo)中準(zhǔn)確的分出車輛。識(shí)別出目標(biāo)車輛后，采取線性卡爾曼濾波器進(jìn)行跟蹤，在無障礙物遮擋的情況下，跟蹤穩(wěn)定，一旦出現(xiàn)障礙物遮擋，那么所跟蹤的車輛便會(huì)中斷，需重新確定新的跟蹤目標(biāo)。

1 目標(biāo)車輛識(shí)別

1.1 數(shù)據(jù)的預(yù)處理

本文采用SICK LMS511（PRO）單線激光雷達(dá)作為傳感器，其主要參數(shù)見表1。針對10%反射率的物體，距離可以達(dá)到40m，大保護(hù)距離（最遠(yuǎn)80m的保護(hù)區(qū)域），選定掃描角度為180°，角度分辨率為0.167°，所以每幀數(shù)據(jù)有1080個(gè)點(diǎn)，角度與距離構(gòu)成了每個(gè)點(diǎn)的信息，基于上述指標(biāo)設(shè)定進(jìn)行數(shù)據(jù)的采集。

表1 單線激光雷達(dá)主要性能參數(shù)

提取出激光雷達(dá)每一幀的數(shù)據(jù)，采用凝聚層次聚類算法［5］，將數(shù)據(jù)分割成段。凝聚層次聚類算法的策略是先將每個(gè)點(diǎn)看作一個(gè)簇，每一步合并兩個(gè)最接近的簇，聚類意味著一組類似的物體被標(biāo)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(gè)目標(biāo)物中所有的點(diǎn)都在一個(gè)簇中，簇間距離度量方法采用最小距離為：

式中，|p-p'|是兩個(gè)點(diǎn)p和p'之間的距離，cj1,cj2為兩個(gè)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(chǔ)上進(jìn)行了改進(jìn)，不僅比較相鄰兩點(diǎn)之間的距離，同時(shí)比較每個(gè)點(diǎn)與后兩個(gè)點(diǎn)之間的距離，將一個(gè)點(diǎn)作為一簇，如果與下一個(gè)點(diǎn)的距離小于閾值，則歸為一簇，反之歸為另一簇，再與后兩個(gè)點(diǎn)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(dá)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(shù)據(jù)被分成m段，S={s1,s2,…,sm}每一段有n個(gè)點(diǎn)，并將極坐標(biāo)系下數(shù)據(jù)轉(zhuǎn)化成笛卡爾坐標(biāo)系下數(shù)據(jù)。如圖2所示，在高架橋上用相機(jī)拍攝的車輛場景實(shí)物圖，通過上述聚類方法對采取的目標(biāo)車輛數(shù)據(jù)進(jìn)行聚類，聚類效果如圖3所示。

圖2 目標(biāo)車輛

圖3 車輛點(diǎn)云數(shù)據(jù)聚類

1.2 特征提取和車輛識(shí)別

根據(jù)激光雷達(dá)特性設(shè)計(jì)出簡易的安裝方式，如圖4所示，將激光雷達(dá)安裝在車輛的正上方，高度設(shè)定為1640mm，并向下傾斜安裝，傾斜角度按檢測前方目標(biāo)車輛的距離進(jìn)行標(biāo)定，根據(jù)我國汽車外形尺寸［6］指標(biāo)可知：大部分車型的后防護(hù)杠的高度均在500mm～650mm范圍之間，同時(shí)標(biāo)定激光雷達(dá)距所檢測的前方目標(biāo)車輛距離為20m，這樣便可計(jì)算出激光雷達(dá)的傾斜角度α。激光雷達(dá)和相機(jī)同時(shí)使用，相機(jī)安裝在車輛正前方，實(shí)驗(yàn)過程中，設(shè)置激光雷達(dá)的角度參數(shù)為0°到180°，即水平180°的視野范圍，如圖5所示。同時(shí)配以相機(jī)進(jìn)行輔助處理，相機(jī)視野角度范圍為0°～180°，根據(jù)同一時(shí)間，提取出存在目標(biāo)車輛的每一幀數(shù)據(jù)，經(jīng)過聚類處理提取出目標(biāo)車輛的數(shù)據(jù)點(diǎn)。

圖4 傳感器安裝位置

圖5 激光雷達(dá)掃描范圍

激光雷達(dá)掃描目標(biāo)車輛后，經(jīng)過聚類后會(huì)形成類似“I”和“L”兩種形狀的數(shù)據(jù)點(diǎn)簇，再經(jīng)過相機(jī)進(jìn)行輔助，找出每一幀所檢測到的目標(biāo)車輛，手動(dòng)提取車輛和非車輛的數(shù)據(jù)點(diǎn)簇，對于“I”型特征采取最小二乘法進(jìn)行直線擬合，對于“L”型特征則采取角點(diǎn)特征進(jìn)行直線擬合，方法如下：通過文獻(xiàn)［7］可知，在分割后的每一段中，若點(diǎn)pk存在角點(diǎn)特征，則至少應(yīng)滿足下述條件：

（1）點(diǎn)pk左側(cè)連續(xù)的Q個(gè)點(diǎn)在同一條直線上；

（2）點(diǎn)pkPk右側(cè)連續(xù)的Q個(gè)點(diǎn)在同一條直線上。

圖6 角點(diǎn)特征

如圖6所示為Q=4的情況，然后利用文獻(xiàn)［7］中遞增式的直線提取方法判定激光雷達(dá)數(shù)據(jù)在同一條直線上，經(jīng)過計(jì)算，判定閾值為100mm，且Q＞8。角點(diǎn)函數(shù)f(k)與該點(diǎn)左側(cè)的點(diǎn)及其本身所擬合的直線和該點(diǎn)右側(cè)的點(diǎn)及其本身所擬合的直線這兩者之間的夾角有關(guān)，f(k)是對pk做為角點(diǎn)特征的程度的近似衡量標(biāo)準(zhǔn)，其值由（2-5）式計(jì)算得到，式中各量的幾何含義如圖7所示。

計(jì)算機(jī)基礎(chǔ)教學(xué)是面向非計(jì)算機(jī)專業(yè)的計(jì)算機(jī)教學(xué)，它的目標(biāo)是培養(yǎng)學(xué)生掌握一定的計(jì)算機(jī)基礎(chǔ)知識(shí)、技術(shù)方法和拓展學(xué)生的視野，為后續(xù)課程學(xué)習(xí)做好必要的知識(shí)準(zhǔn)備，使學(xué)生能在一個(gè)較高的層次上利用計(jì)算機(jī)、并處理計(jì)算機(jī)應(yīng)用中可能出現(xiàn)的問題[1]。

圖7 角點(diǎn)函數(shù)幾何意義

激光雷達(dá)獲取到目標(biāo)車輛的數(shù)據(jù)點(diǎn)不同于非目標(biāo)車輛的數(shù)據(jù)點(diǎn)，所獲取的目標(biāo)車輛具有不同于其他目標(biāo)物體的高度信息值，根據(jù)實(shí)驗(yàn)標(biāo)定出激光雷達(dá)檢測前方固定距離的目標(biāo)車輛，這樣所獲取到目標(biāo)車輛至激光雷達(dá)的平均距離無太大變化，對于目標(biāo)車輛位于實(shí)驗(yàn)車輛的正前方，會(huì)出現(xiàn)類似于“I”型的一條線段的數(shù)據(jù)點(diǎn)，對于目標(biāo)車輛位于實(shí)驗(yàn)車輛的兩側(cè)時(shí)，會(huì)出現(xiàn)類似于“L”型的兩條線段的數(shù)據(jù)點(diǎn)。經(jīng)過聚類后擬合出直線，特征向量包含目標(biāo)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(gè)特征：（1）組成該聚類線段的所有數(shù)據(jù)點(diǎn)的個(gè)數(shù)；（2）根據(jù)線段的起始點(diǎn)坐標(biāo)，計(jì)算該線段長度；（3）根據(jù)目標(biāo)數(shù)據(jù)點(diǎn)的高度信息計(jì)算出線段的中心高度；（4）計(jì)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(gè)特征：（1）組成該聚類線段所有數(shù)據(jù)點(diǎn)的個(gè)數(shù)；（2）根據(jù)角點(diǎn)函數(shù)計(jì)算出兩條線斷之間的角點(diǎn)，然后再取每條線段的起始點(diǎn)坐標(biāo)，分別計(jì)算出每條線段的長度；（3）分別計(jì)算出兩條線段的中心高度，再做平均值；（4）計(jì)算兩條線段中心到傳感器的距離的均值；（5）分別計(jì)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(biāo)分類

2.1 分類器選擇

對于分類器來說，機(jī)器學(xué)習(xí)領(lǐng)域提供了很多分類器，例如樸素貝葉斯（Na?ve Bayes）、神經(jīng)網(wǎng)絡(luò)（Neural Network），支持向量機(jī)（SVM）［8］等。其中Na?ve Bayes假設(shè)樣本間是相互獨(dú)立的，因此在關(guān)聯(lián)比較強(qiáng)的樣本上效果很差；神經(jīng)網(wǎng)絡(luò)需要大量的參數(shù)，并且學(xué)習(xí)時(shí)間過長，甚至可能達(dá)不到學(xué)習(xí)的目的；SVM基本上不涉及概率密度及大數(shù)定律等，因此不同于現(xiàn)有的統(tǒng)計(jì)方法，從本質(zhì)上看，它避開了從歸納到演繹的傳統(tǒng)過程，實(shí)現(xiàn)了高效的從訓(xùn)練樣本到預(yù)測樣本的“轉(zhuǎn)導(dǎo)推理”，大大簡化了通常的分類和回歸等問題。SVM在小樣本訓(xùn)練集上能夠得到比其它算法好很多的結(jié)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(yōu)秀的泛化能力，這是因?yàn)槠浔旧淼膬?yōu)化目標(biāo)是結(jié)構(gòu)化風(fēng)險(xiǎn)最小，而不是經(jīng)驗(yàn)風(fēng)險(xiǎn)最小，因此，通過margin的概念，得到對數(shù)據(jù)分布的結(jié)構(gòu)化描述，因此減低了對數(shù)據(jù)規(guī)模和數(shù)據(jù)分布的要求，SVM需要解決下面的優(yōu)化問題：

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

圖8 支持向量機(jī)原理圖

2.2 交叉驗(yàn)證和網(wǎng)格搜索

為了獲得更可靠的分類結(jié)果，提出一種K-folder交叉驗(yàn)證方法。選擇合適的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，首先將訓(xùn)練集分成K個(gè)相同尺寸的子集，每次用K-1個(gè)子集進(jìn)行訓(xùn)練，用剩下的一個(gè)進(jìn)行測試，然后這個(gè)過程將執(zhí)行K次，每次測試之后都會(huì)返回一個(gè)正確率和最優(yōu)的兩個(gè)參數(shù)c和r，然后將這些K個(gè)分類結(jié)果的平均值作為分類器的最終準(zhǔn)確度進(jìn)行計(jì)算，交叉驗(yàn)證過程還能夠有效地防止過擬合。在使用交叉驗(yàn)證時(shí)，提出了一個(gè)“Grid-search”的方法尋找c和r，嘗試各種（c、r）值，并選擇交叉驗(yàn)證準(zhǔn)確度最高的值。找出c和r序列的指數(shù)增長是一種確定良好參數(shù)的實(shí)用方法（如，C=2-5,2-3,…,28;r=2-5,2-3,...28）。本次實(shí)驗(yàn)通過10-folder交叉驗(yàn)證進(jìn)行了參數(shù)的優(yōu)化和準(zhǔn)確度的提高。

圖9 網(wǎng)格搜索

網(wǎng)格搜索算法首先使用一個(gè)粗糙的網(wǎng)格，在確定一個(gè)網(wǎng)格上較好的區(qū)域之后，一個(gè)更好地網(wǎng)格搜索在哪個(gè)區(qū)域上被執(zhí)行，如圖9所示，首先確定是一個(gè)較粗糙的網(wǎng)格，在灰度較暗的區(qū)域上尋找更好的c和r來提高交叉驗(yàn)證的正確率，最終得到一個(gè)最高的正確率如圖9中“x”所示的點(diǎn)。

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

表2 LibSVM分類結(jié)果

對于非車目標(biāo)做進(jìn)一步的分析，首先通過設(shè)定距離閾值去掉離散點(diǎn)；其次把車輛目標(biāo)的數(shù)據(jù)點(diǎn)的個(gè)數(shù)、平均值、中心高度作為閾值范圍；然后把非車的每一類目標(biāo)進(jìn)行閾值比較，濾除接近目標(biāo)車輛的數(shù)據(jù)點(diǎn)；最后用同樣方法重新與車輛目標(biāo)進(jìn)行分類，選取訓(xùn)練樣本263個(gè)，測試樣本64個(gè)，實(shí)驗(yàn)結(jié)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(jié)果

3 目標(biāo)車輛跟蹤

因?yàn)榧す饫走_(dá)具有較高的掃描頻率，在對同一目標(biāo)進(jìn)行跟蹤時(shí)，連續(xù)兩幀數(shù)據(jù)中位置變化很小，假設(shè)目標(biāo)作勻速運(yùn)動(dòng)且過程噪聲為高斯白噪聲，對識(shí)別出的車輛目標(biāo)利用線性卡爾曼濾波器［11］進(jìn)行跟蹤。

3.1 單目標(biāo)跟蹤

對識(shí)別出的目標(biāo)車輛采取線性卡爾曼跟蹤濾波器進(jìn)行跟蹤，以估計(jì)目標(biāo)車輛的運(yùn)動(dòng)信息，根據(jù)圖10所示，目標(biāo)車輛的狀態(tài)向量Xk包括目標(biāo)在x方向和y方向的位置和速度，測量向量yk為目標(biāo)在x方向和y方向的位置，分別為：

根據(jù)狀態(tài)轉(zhuǎn)移矩陣F：

式中，Δt為傳感器掃描周期。測量矩陣H為：

系統(tǒng)中每一時(shí)刻的不確定性都是通過協(xié)方差矩陣Q給出的，所以要引入一個(gè)協(xié)方差矩陣Q來表示預(yù)測模型本身的噪聲，則：

式中，δ為過程噪聲；

設(shè)過程測量噪聲協(xié)方差矩陣ε，

式中，σ為測量噪聲，程噪聲協(xié)方差Q和測量噪聲協(xié)方差ε的確定是建立運(yùn)動(dòng)模型中的難點(diǎn)。過程噪聲協(xié)方差不容易獲得，設(shè)定值根據(jù)當(dāng)天實(shí)驗(yàn)天氣和所跟蹤的目標(biāo)車輛的反射率進(jìn)行多次預(yù)測而獲得的經(jīng)驗(yàn)值，這樣可使跟蹤過程不會(huì)因?yàn)檎`差大而中斷跟蹤。對于測量噪聲協(xié)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(wěn)定的目標(biāo)，求出測量誤差。初步確定二者測量值后，還需通過運(yùn)行程序調(diào)整以使跟蹤狀態(tài)達(dá)到最佳狀態(tài)。

圖10為對實(shí)驗(yàn)車輛前方某同向行駛的車輛進(jìn)行的跟蹤實(shí)驗(yàn)。從曲線中看出：前3.0秒目標(biāo)車輛處于自主行駛車輛的正前方并無出現(xiàn)大幅度變動(dòng)狀態(tài)，車輛行駛較為平緩，此段為低頻成分為主，與此同時(shí)在y方向開始出現(xiàn)輕微的變化現(xiàn)象；3.0秒至6.0秒時(shí)間段目標(biāo)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(xiàn)了中頻和高頻成分，3.0秒至5.0秒時(shí)刻段，波頻處于中頻變化，5.0秒至6.0秒時(shí)刻段，有兩個(gè)時(shí)刻出現(xiàn)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?qū)崿F(xiàn)較穩(wěn)定的持續(xù)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(nèi)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(xiàn)了中頻變化，跟蹤目標(biāo)車輛出現(xiàn)了相對移動(dòng)；在3.0秒至6.0秒之間，由于目標(biāo)車輛的變道更改，出現(xiàn)了接近前后7米的距離變化，而且在3.5秒時(shí)刻出現(xiàn)了一個(gè)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(shí)驗(yàn)中，通過分別對x軸和y軸方向的跟蹤，分別濾波后，實(shí)現(xiàn)了實(shí)驗(yàn)車輛對目標(biāo)車輛的識(shí)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(yàn)證本文中所述的車輛識(shí)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(dá)為實(shí)驗(yàn)平臺(tái)，在長春市城市道路上進(jìn)行數(shù)據(jù)采集。通過激光雷達(dá)采集周圍環(huán)境的深度信息，因特爾i5處理器的筆記本電腦對數(shù)據(jù)進(jìn)行處理，在Matlab運(yùn)行環(huán)境下對采集的目標(biāo)數(shù)據(jù)進(jìn)行處理，首先通過層次聚類算法進(jìn)行數(shù)據(jù)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(jī)（SVM），共進(jìn)行了兩次分類：第一次對目標(biāo)車輛分類實(shí)現(xiàn)了預(yù)期的效果，在濾除掉類似車輛目標(biāo)特征值得基礎(chǔ)上進(jìn)行了第二次分類，正確率從90.6%提高到了93.7%。目標(biāo)識(shí)別實(shí)驗(yàn)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(zhǔn)確地識(shí)別目標(biāo)車輛，細(xì)線框?yàn)樽R(shí)別出的車輛，粗線框?yàn)楫?dāng)前幀下的跟蹤位置估計(jì)狀態(tài)，當(dāng)出現(xiàn)車輛遮擋時(shí)，如圖12（c）和圖12（d）所示，此時(shí)跟蹤在第1672幀處中斷，這樣由于黑車的長時(shí)間遮擋出現(xiàn)了目標(biāo)車輛的跟蹤中斷現(xiàn)象。對識(shí)別出的目標(biāo)車輛，灰色區(qū)域?yàn)楫?dāng)前幀下跟蹤時(shí)所出現(xiàn)的黑色車輛遮擋情況，這樣由于黑車的長時(shí)間遮擋出現(xiàn)了目標(biāo)車輛的跟蹤中斷現(xiàn)象，此時(shí)需要重新確定目標(biāo)并進(jìn)行跟蹤。

圖12 車輛目標(biāo)識(shí)別與跟蹤

4 結(jié)論

本文介紹了使用單線激光雷達(dá)利用人工智能技術(shù)的機(jī)器學(xué)習(xí)技術(shù)進(jìn)行多車檢測的方法。首先對點(diǎn)云數(shù)據(jù)預(yù)處理，使用層次聚類算法分割出不同目標(biāo)物體；然后進(jìn)行多種特征的提取并使用支持向量機(jī)進(jìn)行（SVM）分類，二次分類后，識(shí)別準(zhǔn)確率有所提升；最后對識(shí)別出的目標(biāo)車輛進(jìn)行了線性卡爾曼跟蹤。實(shí)驗(yàn)結(jié)果表明，在多數(shù)工況環(huán)境下，跟蹤對象會(huì)被切換，從分類結(jié)果中可以看出，道路邊界等物體經(jīng)常被識(shí)別成目標(biāo)車輛，成為誤檢。

在此基礎(chǔ)上，今后的工作重點(diǎn)將放在進(jìn)一步提高識(shí)別正確率和多用途上：1）采用多個(gè)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(biāo)識(shí)別能力，進(jìn)一步細(xì)分車輛環(huán)境內(nèi)目標(biāo)的類型；3）在線下實(shí)驗(yàn)充分進(jìn)行條件下，開展在線實(shí)時(shí)車輛識(shí)別的開發(fā)工作。