(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210274484.3 (22)申请日 2022.03.21 (65)同一申请的已公布的文献号 申请公布号 CN 114359876 A (43)申请公布日 2022.04.15 (73)专利权人 成都奥伦达科技有限公司 地址 610017 四川省成 都市中国(四川)自 由贸易试验区成都 高新区天华一路99 号7栋7层12、 13、 14 号 专利权人 川藏铁路技 术创新中心有限公司 (72)发明人 刘健飞　束子贤　江亮亮　余建乐　 魏新元　 (74)专利代理 机构 重庆强大凯创专利代理事务 所(普通合伙) 50217 专利代理师 冉剑侠 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/40(2022.01) G06V 10/762(2022.01) G06V 10/77(2022.01)G06V 10/774(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) (56)对比文件 CN 112801022 A,2021.0 5.14 CN 110119438 A,2019.08.13 CN 106650809 A,2017.0 5.10 US 20201043 33 A1,2020.04.02 陈亚伟等.一种多尺度拟合曲面的L iDAR数 据建筑物脚点 提取方法. 《测绘科 学技术学报》 .2018,(第0 5期), 崔绍臣.三维点云数据处 理系统设计与开 发. 《中国优秀硕士学位 论文全文数据库 (基础 科学辑)》 .2019,(第12期), C Hladik等.Accuracy as sessment and correction of a L IDAR-derived salt marsh digital elevati on model. 《Remote Sensi ng of Enviro nment》 .2012,第121卷 马新江等.一种基 于路缘特 征的点云道路边 界提取方法. 《遥感信息》 .2019,第34卷(第2期), 审查员 罗秀英 (54)发明名称 一种车辆目标识别方法及存 储介质 (57)摘要 本发明属于数据处理技术领域， 具体涉及一 种车辆目标识别方法及存储介质， 该方法包括： 步骤一， 构建特征数据库， 利用特征数据库对支 持向量机模型进行训练， 得到分类模型； 步骤二， 对激光雷达数据进行预处理得到采集数据， 通过 地面滤波剔除采集数据中的地面点得到非地面 点， 再利用非地面点的高程信息剔除非地面点中 的远地点， 得到候选点集合； 步骤三， 根据候选点 的类型， 用对应的方式确定聚类区间后， 通过密 度聚类法获取目标对象； 其中， 候选点的类型包 括实时帧点云和离线点云； 步骤四， 提取目标对 象的特征向量后， 利用分类模型对目标对象进行预测， 完成车辆目标识别。 使用本方法， 可以提升 车辆目标提取的精准度、 效率和适用性。 权利要求书2页 说明书9页 附图1页 CN 114359876 B 2022.05.31 CN 114359876 B 1.一种车辆目标识别方法， 其特 征在于， 包括: 步骤一， 构建特征数据库， 利用特征数据库对支持向量机模型进行训练， 得到分类模 型； 步骤二， 对激光雷达数据进行预处理得到采集数据， 通过地面滤波剔除采集数据中的 地面点得到非地面点， 再利用非地面点的高程信息剔除非地面点中的远地点， 以扫描仪中 心点为原点， 扫描仪前进方向为X轴、 高程方向为Z轴建立坐标系， 划分固定大小的XY面格 网， 计算格网内地面点的平均高程后设定距地高阈值； 再遍历 格网中所有非地面点数据， 计 算各点的高程与地面点平均高程的差值， 若某点的差值大于地高阈值， 则将该点作为远地 点剔除， 得到候选点 集合； 步骤三， 根据候选点的类型， 用对应的方式确定聚类区间后， 通过密度聚类法获取目标 对象； 其中， 候选点的类型包括实时帧点云和离线点云； 步骤四， 提取目标对象的特征向量后， 若候选点的类型为实时帧点云或离线点云时， 根 据候选点的类型， 利用分类模型对目标对 象进行预测， 将 阈值参数与激光点到扫描仪距离 进行关联， 划分不同的参数阈值分布 区间后， 通过目标连通性分析获取完整且独立的车辆 目标对象， 完成车辆目标识别。 2.根据权利要求1所述的车辆目标识别方法， 其特征在于： 步骤二中， 所述预处理包括： 根据激光扫描仪的有效测量距离划定感兴趣区， 滤除感兴趣区以外的数据后， 再对感兴趣 区内的点云数据构建k ‑d树索引每个点云的邻域， 并计算各点到它所有临近点的平均距离 d’； 根据高斯分布 原理的均值 μ和标准差σ， 若某点的d ’＞ μ+σ， 则将该点作为离群点剔除。 3.根据权利要求2所述的车辆目标识别方法， 其特征在于： 步骤二中， 所述通过地面滤 波剔除采集数据中的地 面点包括： 使用随机抽 样一致算法对地面参考平面进行迭代拟合， 根据点到平面距离公式计算激 光点到地面参考平面的距离后统计满足距离误差阈值的局内点数， 迭代上述过程到达预设 的最大迭代次数后， 找出包含最多局内点数 的地面参考平面作为实际地面， 并将实际地面 中的局内点作为 地面点剔除。 4.根据权利要求3所述的车辆目标识别方法， 其特征在于： 步骤二还包括： 对非地面点 进行均匀采样， 对点云数据创建三维体素栅格后， 保留最接近体素中心的点代替体素中所 有点。 5.根据权利要求 4所述的车辆目标识别方法， 其特 征在于： 步骤三包括： 步骤3.1， 若候选点为实时帧点云， 以扫描仪中心为坐标原点， 根据候选点到坐标原点 的距离设置距离阈值， 确定对应的聚类区间； 步骤3.2， 对各聚类区间设置不同的聚类半径后， 通过目标连通性分析得到各聚类区间 的聚类簇； 合并各聚类区间的聚类簇后， 通过预设的最大点云数目和最小点云数目对聚类 簇进行过滤， 得到目标对象。 6.根据权利要求5所述的车辆目标识别方法， 其特征在于： 步骤3.1中还包括， 若候选点 为离线点云， 则先将轨迹数据按时间进行分段， 根据轨迹数据的时间信息对离线点云进行 时间信息匹配后， 将轨 迹数据分为若干个近似直线的数据段， 分段的方程如下： Pi∈Nj， Njtmi n≤Pit≤Njtmax； 其中， Pi为第i个激光点，  Nj为第j段数据， Pit为第i个激光点的时间值， Njtmin、权　利　要　求　书 1/2 页 2 CN 114359876 B 2Njtmax分别为数据段对应轨 迹的最小时间值、 最大时间值； 之后， 对各近似直线的数据段进行直线拟合， 得到对应的空间直线方程并记为轨迹直 线， 计算激光 点到轨迹直线的空间距离， 再根据空间距离确定对应的聚类区间。 7.根据权利要求1所述的车辆目标识别方法， 其特征在于： 步骤一中， 所述构建特征数 据库包括： 通过KITTI数据集和人工标注结合的方式构建样 本数据库后， 从样本数据库中的 提取特征向量并进行 特征归一化得到特 征数据集， 形成特 征数据库。 8.根据权利要求7 所述的车辆目标识别方法， 其特 征在于： 步骤一中， 特征数据库中的特征向量包括全局特征、 位置特征、 特征值特征和多视角投 影特征； 其中， 全局特征包括长度、 宽度和高度特征和长度与宽度及高度之间的比值、 体积、 相对密度、 最低高度和高差； 特 征值特征包括平面度、 异向性、 线性度、 表面变化 率和曲率； 提取全局特征时， 通过PCA主成分分析算法计算单个聚类点云簇的有向最小包围盒， 得 到点云簇的长度、 宽度和高度特征， 并通过计算长度、 宽度及高度之间的比值， 得到相应的 尺寸比例特 征。 9.一种存储介质， 所述存储介质存储有计算机程序， 其特征在于： 所述计算机程序被处 理器执行时实现权利要求1 ‑8任一项所述的步骤。权　利　要　求　书 2/2 页 3 CN 114359876 B 3