Стратегия отслеживания по обнаружению принята в методе, состоящем из двух компонентов: обнаружение транспортных средств и отслеживание транспортных средств.
Обнаружение транспортных средств.
Этап обнаружения транспортного средства состоит из трех подэтапных этапов: обнаружение движущихся точек; группирование; классификация транспортных и не транспортных средств. Для обнаружения точек перемещения используется метод Max-Distance, после чего выделенные точки перемещения (в том числе на транспортных и не транспортных средствах) группируются с помощью простого эвклидного алгоритма кластерного извлечения. Традиционная, но эффективная стратегия машинного обучения, машина с вектором поддержки (SVM), используется для классификации транспортных и не транспортных средств, а элементы уровня 3D объектов выбираются для различения двух классов кластеров.
Обнаружение движущихся точек.
Метод максимального расстояния используется для обнаружения движущихся точек при статическом лазерном сканировании. Принцип прост: статическая среда считается непроницаемой, и только самые дальние точки каждого лазерного луча считаются расположенными на статическом фоне. Поэтому между центром лазерного сканера и дальними конечными точками появляются точки на движущихся объектах, которые можно извлечь, построив фон.
Кластеризация.
На этом этапе используется эвклидовый алгоритм кластерной экстракции. Здесь, два параметра важны: размер группы и допуск группы. Минимальный размер группы и максимальный размер группы должны быть определены в соответствии с набором данных. Для допуска кластера, если значение слишком мало, фактический объект может рассматриваться как несколько кластеров. И наоборот, если значение слишком велико, несколько объектов будут рассматриваться как один кластер. Поэтому для определения оптимального значения для набора данных требуется эвристическое тестирование.
Классификация транспортных и не транспортных средств.
Традиционное машинное обучение является эффективным методом обнаружения транспортных средств по лидарным данным, в котором двумя важными аспектами являются извлечение характеристик и отбор образцов. В большинстве исследований используются низкоуровневые характеристики, основанные на индивидуальной точке или небольшой группе точек, такие как размерность. В этом случае исходными данными для обнаружения транспортных средств являются кластеры движущихся точек, поэтому функции, извлеченные из предлагаемого метода, находятся на уровне объекта в 3D:
(1) Стандартные отклонения координат x, y, z для точек в ограничивающем квадрате (std(x), std(y), std(z));
(2) Размер громкости ограничивающей коробки: глубина, ширина, максимальная высота, минимальная высота (d, w, h1, h2);
(3) Гистограмма вертикального распределения точек (v1 ... v10): если объект ввода вертикально разделен на ровные части с определенной высоты на землю, то в качестве характеристики, позволяющей различать транспортные и не транспортные средства, можно использовать гистограмму, содержащую соотношение точек относительно общего числа точек на каждой вертикальной части. Транспортные средства разделены на 10 частей, высота каждой из которых составляет 20 см, исходя из предположения, что максимальная высота изучаемых транспортных средств не превышает 2 м.
Поскольку эта классификация рассматривается в качестве двоичной проблемы, выборка учебных данных в основном включает транспортные и нетранспортные средства (применительно ко всем другим участникам дорожного движения). Эти примеры были отобраны вручную с помощью программного обеспечения CloudCompare из фреймов, обработанных в процессе кластеризации. В качестве классификатора использовался SVM с ядром RBF.
Отслеживание транспортного средства.
Для повышения точности предлагаемая структура состоит из двух частей: кластерное отслеживание и точечное отслеживание. Первый компонент заключается в получении первоначальных результатов путем нахождения кластеров для целевого аппарата в рамах. Затем второй компонент фокусируется на определении местоположения выбранной точки слежения в каждом кадре для получения более точных результатов. Отслеживание кластера означает идентификацию кластеров, принадлежащих одному и тому же автомобилю в каждом последующем кадре.
Отслеживание точек: при лазерном сканировании на обочинах дорог автомобили на дороге могут быть сканированы только частично, когда они проходят через лазерный сканер. Количество точек в группе транспортных средств зависит от расстояния до лидарного датчика, и, следовательно, изменяется и центр ограничивающей коробки (обычно рассматривается как положение транспортного средства).
Для решения этой проблемы предлагаются две стратегии - покадровая стратегия используется для определения местоположения точки слежения непосредственно в двухсекционных кадрах в соответствии с преобразованием между ними. Вторая, основанная на модели, стратегия далее строит модель транспортного средства на основе полученных преобразований в каждой паре рам, затем берет определенный центроид в качестве опорной точки и возвращает его в каждую рамку через подгонку модели.
Вместо непосредственного использования 3D лидарных точек, отслеживание транспортного средства на основе изображений осуществляется путем преобразования 3D лидарных кластеров точек в 2D изображения. Разложение проблемы 3D слежения на две двухмерные процедуры на плане и боковых видах также означает, что результаты слежения могут быть перекрестно проверены. Поскольку потоки отслеживания для этих двух потоков схожи, поток отслеживания плана рассматривается здесь в качестве примера для детального отображения (для стратегии, основанной на модели).
Продолжение следует…