一种基于移动测量点云数据进行行人跟踪的方法和系统

技术领域

本申请涉及网络安全技术领域，具体涉及一种基于移动测量点云数据进行行人跟踪的方法和系统。

背景技术

移动测量在城市的数字化及可视化中应用广泛，通过移动测量采集城市的街道、建筑的点云数据并对其进行重构实现对城市的数字化及可视化。

目前，用于移动测量的移动设备也多种多样，其中包括移动测量采集车、公路移动机器人和无人机。其中，移动测量采集车，无疑是移动设备中最昂贵的，为节约设备成本，使用公路移动机器人和无人机无疑是最好的选择，但是由于城市空域的限制使无人机在移动测量中的使用存在局限性，并且城市公路中存在环境复杂性，特别公路移动机器人对行人的意图识别的问题，使公路移动机器人在移动测量中的使用存在局限性，而如果对公路移动机器人搭载现有用于行人数据采集的毫米波雷达和跟踪识别系统无异于会增加设备成本。

因此，如何使公路移动机器人能够通过采集的点云数据对行人进行跟踪，从而适用于城市的街道、建筑的点云数据采集，是本领域技术人员亟待克服的技术问题。

发明内容

(一)申请目的

有鉴于此，本申请的目的在于提供一种基于移动测量点云数据进行行人跟踪的方法和系统，用于解决如何使公里移动机器人能够通过采集的点云数据对行人进行跟踪的技术问题。

(二)技术方案

本申请公开了一种基于移动测量点云数据进行行人跟踪的方法，包括如下步骤：

从点云数据中识别和提取行人的点云数据；基于提取的行人的点云数据获取行人的位置和状态；基于行人相邻的位置和状态确定行人的速度和加速度；基于行人的速度、加速度和公路移动机器人自身状态判断有效的行人跟踪目标并对有效的行人跟踪目标进行跟踪。

在一种可能的实施方式中，所述从点云数据中识别和提取行人的点云数据包括：点云预处理，基于测量范围对点云进行分割，确定行人点云数据的范围。

在一种可能的实施方式中，所述基于测量范围对点云进行分割，确定行人点云数据的范围包括：通过KD-tree建立行人点云数据范围内的离散点之间的拓扑关系；建立一个空的聚类列表P，一个待处理队列L，一个空的过渡聚类队列

在一种可能的实施方式中，当基于有效的行人跟踪目标的速度、加速度和公路移动机器人自身状态判断存在行人轨迹与公路机器人轨迹存在碰撞时，采用避让措施。

在一种可能的实施方式中，所述避让措施包括：基于实时的点云数据获取公路移动机器人相对道路边界的位置，基于边界位置和道路属性确定所在车道和目标车道；基于确定的所在车道和目标车道进行变道；其中，实时的点云数据获取公路移动机器人相对道路边界的位置包括：滤除路面点云数据，保留边界点云数据；将边界点云数据投影转换为二值化的第一二维图像；对第一二维图像进行连续性处理获取第二二维图像，对第二二维图像采用逐行扫描算法来确定边界点的图像坐标；滤除路面点云数据，保留边界点云数据包括：对数据进行预处理，滤除孤立噪点；基于路面点云数据和边界点云数据高度特征从圆周方向和径向方向进行滤波处理，滤除路面点云数据保留边界点云数据；所述基于确定的所在车道和目标车道进行变道包括：获取目标车道的并入路段；获取公路移动机器人与所述并入路段的距离；判断所述距离是否小于或者等于预设阈值；若距离小于或者等于所述预设阈值，公路移动机器人并入所述目标车道。

作为本申请的第二方面，还提供了一种基于移动测量点云数据进行行人跟踪的系统，包括数据提取模块、状态提取模块和跟踪模块，其中所述数据提取模块用于从点云数据中识别和提取行人的点云数据；所述状态提取模块基于提取的行人的点云数据获取行人的位置和状态；基于行人相邻的位置和状态确定行人的速度和加速度；所述跟踪模块用于基于行人的速度、加速度和公路移动机器人自身状态判断有效的行人跟踪目标并对有效的行人跟踪目标进行跟踪。

在一种可能的实施方式中，所述从点云数据中识别和提取行人的点云数据包括：点云预处理，基于测量范围对点云进行分割，确定行人点云数据的范围。

在一种可能的实施方式中，所述基于测量范围对点云进行分割，确定行人点云数据的范围包括：通过KD-tree建立行人点云数据范围内的离散点之间的拓扑关系；建立一个空的聚类列表P，一个待处理队列L，一个空的过渡聚类队列

在一种可能的实施方式中，当基于有效的行人跟踪目标的速度、加速度和公路移动机器人自身状态判断存在行人轨迹与公路机器人轨迹存在碰撞时，采用避让措施。

在一种可能的实施方式中，所述避让措施包括：基于实时的点云数据获取公路移动机器人相对道路边界的位置，基于边界位置和道路属性确定所在车道和目标车道；基于确定的所在车道和目标车道进行变道；其中，实时的点云数据获取公路移动机器人相对道路边界的位置包括：滤除路面点云数据，保留边界点云数据；将边界点云数据投影转换为二值化的第一二维图像；对第一二维图像进行连续性处理获取第二二维图像，对第二二维图像采用逐行扫描算法来确定边界点的图像坐标；滤除路面点云数据，保留边界点云数据包括：对数据进行预处理，滤除孤立噪点；基于路面点云数据和边界点云数据高度特征从圆周方向和径向方向进行滤波处理，滤除路面点云数据保留边界点云数据；所述基于确定的所在车道和目标车道进行变道包括：获取目标车道的并入路段；获取公路移动机器人与所述并入路段的距离；判断所述距离是否小于或者等于预设阈值；若距离小于或者等于所述预设阈值，公路移动机器人并入所述目标车道。

(三)有益效果

通过从采集的点云数据中对行人的点云数据进行分离，通过分离的出来的行人的点云数据进行分析，达到了对行人进行识别跟踪的效果，从而使公路移动机器人适用于城市的街道、建筑的点云数据采集，避免使用公路移动机器人搭载和采用毫米波和其他跟踪系统的硬件手段从而降低了数据采集成本，实现了无人化采集。

本申请的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本申请的实践中得到教导。本申请的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

以下参考附图描述的实施例是示例性的，旨在用于解释和说明本申请，而不能理解为对本申请的保护范围的限制。

图1是本申请系统流程图；

图2是本申请系统结构图；

其中：1、数据提取模块；2、状态提取模块；3、跟踪模块。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请的上述描述中，需要说明的是，术语“一侧”、“另一侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，术语“相同”等术语并不表示要求部件绝对相同，而是可以存在微小的差异。术语“垂直”仅仅是指部件之间的位置关系相对“平行”而言更加垂直，并不是表示该结构一定要完全垂直，而是可以稍微倾斜。

如图1所示，本实施例提供了一种基于移动测量点云数据进行行人跟踪的方法，包括如下步骤：从点云数据中识别和提取行人的点云数据；基于提取的行人的点云数据获取行人的位置和状态；基于行人相邻的位置和状态确定行人的速度和加速度；基于行人的速度、加速度和公路移动机器人自身状态判断有效的行人跟踪目标并对有效的行人跟踪目标进行跟踪。所述有效目标包括在行进的道路上在测试距离范围之类的目标，和存在碰撞风险的目标，例如，行人方向是远离公路移动机器人的方向，即使折返靠近公路移动机器人也不会发生碰撞，这样的行人不是属于有效目标。所述从点云数据中识别和提取行人的点云数据包括：点云预处理，基于测量范围对点云进行分割，确定行人点云数据的范围。所述基于测量范围对点云进行分割，确定行人点云数据的范围包括：通过KD-tree建立行人点云数据范围内的离散点之间的拓扑关系；建立一个空的聚类列表P，一个待处理队列L，一个空的过渡聚类队列

当基于有效的行人跟踪目标的速度、加速度和公路移动机器人自身状态判断存在行人轨迹与公路机器人轨迹存在碰撞时，采用避让措施，这里的避让措施是在判断有碰撞的危险后计算选择目标车道并进行变道避让。所述避让措施包括：基于实时的点云数据获取公路移动机器人相对道路边界的位置，基于边界位置和道路属性确定所在车道和目标车道，例如：当判断向右变道可以在不检索的情况下实现避让，则提取公路移动机器人相对道路边界的位置，然后根据与其中一条边界的位置和当前路段的道路属性来确定向右变道是否可行。如果向右与道路边界之间距离足够一个车道，而当前道路属性显示确实有一个车道，则就判断当前车道为目标车道。道路属性包括双向四车道和单向车道等。基于确定的所在车道和目标车道进行变道；其中，实时的点云数据获取公路移动机器人相对道路边界的位置包括：滤除路面点云数据，保留边界点云数据；将边界点云数据投影转换为二值化的第一二维图像；对第一二维图像进行连续性处理获取第二二维图像，对第二二维图像采用逐行扫描算法来确定边界点的图像坐标。滤除路面点云数据，保留边界点云数据包括：对数据进行预处理，滤除孤立噪点；基于路面点云数据和边界点云数据高度特征从圆周方向和径向方向进行滤波处理，滤除路面点云数据保留边界点云数据；所述基于确定的所在车道和目标车道进行变道包括：获取目标车道的并入路段；获取公路移动机器人与所述并入路段的距离；判断所述距离是否小于或者等于预设阈值；若距离小于或者等于所述预设阈值，公路移动机器人并入所述目标车道。若否则重新选择目标车道进行变道或采用降速等候变道的公路移动机器人与所述并入路段的距离小于或者等于预设阈值。

通过从采集的点云数据中对行人的点云数据进行分离，通过分离的出来的行人的点云数据进行分析，达到了对行人进行识别跟踪的效果，从而使公路移动机器人适用于城市的街道、建筑的点云数据采集，避免使用公路移动机器人搭载和采用毫米波和其他跟踪系统的硬件手段从而降低了数据采集成本，实现了无人化采集。

如图2作为本申请的第二方面，还提供了一种基于移动测量点云数据进行行人跟踪的系统，包括数据提取模块1、状态提取模块2和跟踪模块3，其中所述数据提取模块用于从点云数据中识别和提取行人的点云数据；所述状态提取模块基于提取的行人的点云数据获取行人的位置和状态；基于行人相邻的位置和状态确定行人的速度和加速度；所述跟踪模块用于基于行人的速度、加速度和公路移动机器人自身状态判断有效的行人跟踪目标并对有效的行人跟踪目标进行跟踪。所述从点云数据中识别和提取行人的点云数据包括：点云预处理，基于测量范围对点云进行分割，确定行人点云数据的范围。所述基于测量范围对点云进行分割，确定行人点云数据的范围包括：通过KD-tree建立行人点云数据范围内的离散点之间的拓扑关系；建立一个空的聚类列表P，一个待处理队列L，一个空的过渡聚类队列

当基于有效的行人跟踪目标的速度、加速度和公路移动机器人自身状态判断存在行人轨迹与公路机器人轨迹存在碰撞时，采用避让措施。所述避让措施包括：基于实时的点云数据获取公路移动机器人相对道路边界的位置，基于边界位置和道路属性确定所在车道和目标车道；基于确定的所在车道和目标车道进行变道；其中，实时的点云数据获取公路移动机器人相对道路边界的位置包括：滤除路面点云数据，保留边界点云数据；将边界点云数据投影转换为二值化的第一二维图像；对第一二维图像进行连续性处理获取第二二维图像，对第二二维图像采用逐行扫描算法来确定边界点的图像坐标。滤除路面点云数据，保留边界点云数据包括：对数据进行预处理，滤除孤立噪点；基于路面点云数据和边界点云数据高度特征从圆周方向和径向方向进行滤波处理，滤除路面点云数据保留边界点云数据；所述基于确定的所在车道和目标车道进行变道包括：获取目标车道的并入路段；获取公路移动机器人与所述并入路段的距离；判断所述距离是否小于或者等于预设阈值；若距离小于或者等于所述预设阈值，公路移动机器人并入所述目标车道。

最后说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或者等同替换，而不脱离本申请技术方案的宗旨和范围，其均应涵盖在本申请的权利要求范围当中。