(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210634370.5 (22)申请日 2022.06.06 (71)申请人 上海大学 地址 200444 上海市宝山区上 大路99号 (72)发明人 解杨敏　高志远　耿昊　王倩　 黄舒婧　 (74)专利代理 机构 北京航信高科知识产权代理 事务所(普通 合伙) 11526 专利代理师 高原 (51)Int.Cl. G01S 17/89(2020.01) G01S 17/06(2006.01) G01S 7/48(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 7/02(2006.01) G06T 7/194(2017.01) G06T 7/73(2017.01) G06V 10/147(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于激光雷达密集点云的三维目标识 别与定位方法 (57)摘要 本申请属于三维目标自动识别与定位技术 领域， 为一种基于激光雷达密集点云的三维目标 识别与定位方法， 通过先采集三维密集点云数 据， 而后通过建立激光雷达坐标系确定三维密集 点云与二维投影图像的映射关系， 先将三维密集 点云数据转化为而且二维投影图像来去除背景， 得到二维的像素集合， 而后再通过激光雷达坐标 系将二维的像素集合投影回三维密集点云去除 背景噪点， 即可得到目标物体的三维坐标数据作 为目标物体的定位数据。 相比于激光雷达和可见 光相机数据融合的方法， 降低了对 可见光环境的 依赖， 节省了传感器资源； 具有更好的识别与分 割效率； 通过采用自适应模糊神经推理系统， 不 仅具有轻量化的结构， 同时具备 良好的计算效 率、 准确率与鲁棒 性。 权利要求书3页 说明书8页 附图3页 CN 115032648 A 2022.09.09 CN 115032648 A 1.一种基于 激光雷达密集 点云的三维目标识别与定位方法， 其特 征在于， 包括： 采集三维激光密集 点云数据， 形成激光雷达三维密集 点云P3D； 建立激光雷达坐标系， 基于 激光雷达三维密集 点云P3D构建二维投影图像P2D； 通过卷积神经网络对二维投影图像P2D进行识别与分割， 获取目标物体的二维识别与分 割结果， 形成目标物体的像素集 合P2D target； 将二维图像中目标物体的像素集合P2D target投影回三维密集点云状态， 获得含有背景噪 点的目标物体的三维密集 点云P3D target； 构建自适应模糊神经推理系统， 针对不同的目标物体训练对应的自适应参数， 利用训 练好的网络参 数去除目标物体的三维密集点云P3D target中的背景噪点， 获得不含背景噪点的 目标物体的三维密集 点云； 输入三维密集点云数据， 利用三维密集点云相关的边框估计和中心回归网络， 获得不 含背景噪点的目标物体的三 维中心， 将所述三维中心的三维坐标数据作为目标物体的定位 数据。 2.如权利要求1所述的基于激光雷达密集点云的三维目标识别与定位方法， 其特征在 于， 所述激光雷达坐标系的建立方法包括： 定义激光雷达坐标系{L}为右手坐标系， 以激光雷达传感器中心为原点OL、 激光雷达传 感器正前方为YL轴方向、 垂直激光雷达传感器向上为ZL轴方向； 定义方位角 为绕所述ZL轴 的角度、 垂直角 θ为绕所述YL轴的角度、 点云到激光雷达传感器中心OL的距离为r， 则点云的 三维坐标记作 3.如权利要求2所述的基于激光雷达密集点云的三维目标识别与定位方法， 其特征在 于， 所述三维密集 点云的 到二维投影图像 像素点(u， v)索引的映射关系为： 其中， 表示 的角度分辨 率， Δθ表示θ 的角度分辨 率。 4.如权利要求1所述的基于激光雷达密集点云的三维目标识别与定位方法， 其特征在 于， 由所述 二维图像获得三维密集 点云的方法为： 确定二维投影图像 像素索引到三维密集 点云的映射关系 将像 素 集 合 P2 D t a r g e t的 像 素 索 引记为 利 用映 射 关 系T ′得 到 由 从P3D中索引出的三维密集点云即为所述目标物体含有背景噪点的三 维密权　利　要　求　书 1/3 页 2 CN 115032648 A 2集点云P3D target。 5.如权利要求4所述的基于激光雷达密集点云的三维目标识别与定位方法， 其特征在 于， 所述二维投影图像 像素索引到三维密集 点云的映射关系的关系式为： 6.如权利要求1所述的基于激光雷达密集点云的三维目标识别与定位方法， 其特征在 于， 所述自适应模糊神经推理系统去除背景噪点的方法为： 确定输入变量 将目标物体含有背景噪点的三维密集点云 P3D target在激光雷达坐标系上分成Q段； 设定自适应模糊神经推理系统中的11个自适应参数X＝[αi， WH， WM， WL]T， i＝1， 2， ...， 8， 其中8个隶属 函数参数αi， 3个权重参数WH， WM， WL， 针对每一种目标物体的三维点云， 设定误 差函数， 使用优化 算法对所述自适应参数进行训练； 将训练结果作为自适应参数， 将输入向量wq输入到所述自适应模糊神经推理系统中， 得 到的输出结果为置信度Cq， 将共Q段中所述置信度Cq的最大值所对应的段编号记为qopt， 确定 第qopt段在激光雷达坐标系上的坐标为 将坐标 作为分离所述目标物体和背景噪点的位置， 分离并去除背景噪点部分的 三维点云， 获得不含背景噪点的目标物体的三维密集 点云。 7.如权利要求6所述的基于激光雷达密集点云的三维目标识别与定位方法， 其特征在 于， 所述误差函数定义 为： 其中， N表示训练集的总数，kE表示第k个训练集中所述目标物 体与所述背景噪点的分离 位置在YM轴上的坐标，kY(X)表示所述自适应模糊神经推理系统估计的所述分离位置在YM轴 上的坐标。 8.如权利要求6所述的基于激光雷达密集点云的三维目标识别与定位方法， 其特征在 于， 所述自适应模糊神经推理系统的构建方法为： 定义隶属函数和模糊集， 所述模糊集为A， 根据共Q段点云的数量和位置属性共定义了 八个成员{A1， A2， A3， A4， A5， A6， A7， A8}， 对应的隶属函数为Si(witem)∈[0， 1]， 其中， 基于模糊集A定义模糊规则库， 将所述模糊规则库中的规则记为πj， j＝1， 2， ...， 16， 对 于输入向量wq， 将第j条规则πj的四个模糊集成员所对应的四个隶属度函数输出中的最小 值， 作为该规则的推理结果Gj； 对推理结果Gj进行归一 化运算， 算法为： 定义规则πj下对背景噪点与目标物体进行分割时的权重为Wj， Wj的取值为{WH、 WM、 WL}，权　利　要　求　书 2/3 页 3 CN 115032648 A 3