路侧激光雷达目标检测系统-篇1

  说明：又到了毕业的季节，拿出来我之前做的小雷达识别项目，给学弟学妹们做毕设一点参考。这个主要是根据雷达采集的数据包进行聚类识别，看那些是汽车，更改数据的特征之后可以识别特定目标，比如路上新人等。
  另外，这个是第一节，主要是介绍原理，流程，具体运行代码之后，分布实现成的效果可以移步第二篇，大概的步骤参考了大佬的流程，但是实际应用中还是有很多和我需求不同的点，于是我在大佬的基础上进行改进和二创，感谢大佬的无私奉献。参考的博客见：参考项目
  改进部分由本人原创，转载必究

  按照惯例先展示效果(不知道csdn上能不能显示，看不了的可以去po站上看)：
  bilibili传送

  1、为什么要研究目标检测？
  ①车辆数目增加，交通问题增多；②无人驾驶发展，安全性要求高；③改善特定道路地区的交通环境；
  2、为什么用激光雷达？
  ①需要更高分辨率交通数据；②传统传感器受影响的因素多；③体积小，重量轻，隐蔽性好；④可协同工作，构建高精度模型；
  3、为什么要布置在路侧？
  ①利于传统机动车的联网过渡；②较传统车载雷达方案成本低；③受实际道路地形，天气影响小；④便于联合组建交通地理网络；

1. 机器人操作系统
     实际上就是我们的ROS系统，我在使用Linux的ubantu系统上处理的。
      机器人操作系统是适用于机器人的开源元操作系统，它集成了大量的工具、库、协议，提供了类似操作系统所提供的功能，在某些方面类似于一个新的“机器人框架”。
     我们选用ROS处理三维激光雷达数据，包括点云显示节点、点云在硬盘中的加载与显示等功能。
2. MATLAB2020a
3. Cloud Compare
     它是一个三维点云（网格）编辑和处理软件。它可以实现三维点云数据和三角形网格之间的对比。此外，还新增了其他包括图像处理校准、重新采样、开放式图形库着色器和插件等的显示增强工具。
     它可以提供高斯、双边、统计、CSF地面滤波和坡度法地面滤波的过滤效果与对比。

选取特征值

1. 低坡度：在山地具有较大坡度的城市道路，就无法利用地面高度平滑性的工程特点来分割地面点云数据，即使使用地面坡度拟合，受噪声影响也较大；
2. 非机动车目标高度一般：路侧电线杆、大型卡车和货运车的货物等目标对栅格转化影响较大，需要根据不同路段常过车辆来规定不同的栅格阈值；
3. 路况微小单位较少：商业街道人群，学校路段，公园多宠物等复杂情况，会造成目标点云数据粘连在一起从而造成误识别。

改进：

1. 本系统提出的基于点云数据二维栅格化后进行DBSCAN聚类方法，它在划分聚类和层次聚类算法运算适用性方面有了较大的提升，但它依赖于点云特征结构与点云数目的显著性，在与离采集雷达较远的机动车道，数据会受到角度与机动车方向近似平行导致数据波动和噪声较大，在滤波后会发生部分数据丢失的现象。

2. 本系统使用的RS-Ruby-Lite激光雷达传感器虽然能采集到精度较高的三维信息，但路侧监测路况复杂多变且采集过程容易受到天气状况的影响，特别是在大雨、大雾天气基本无法使用，因此模型改进中可以考虑融合视觉传感器的联合特征计算，以此提升障碍物目标识别系统在复杂环境下的鲁棒性。

3. 本系统所提基于多层感知机的神经网络分类器是用以识别典型交通道路的机动车与非机动车单位，在以后的研究中，可以增加例如行人，交通指示线等物理特征作为感知机的输入维度带入模型学习，提高路侧激光系统的适用性和智能化程度。

结论：高准确率的激光雷达点云数据的目标识别对于道路交通安全和效率分析非常重要。在研究工作中，路侧激光雷达传感器用于收集周围物体的 3D 点云。我们可以高实时性地识别RS-Ruby-Lite激光雷达采集的点云下的机动车和行人目标，并达到90%左右地精度。