基于高精度3D数据的自动驾驶车辆行人检测的机器学习方法

介绍了一种基于传感器系统的用于检测自动驾驶车辆行驶中行人的方法。对由Velodyne HDL-64E LIDAR激光雷达生成的信息进行处理。通过将机器视觉和机器学习算法结合起来，并对由传感器生成的点云进行处理,以检测行人。采用了邻近算法kNN、朴素贝叶斯分类器NBC和支持向量机SVM的3种不同机器学习算法，并对其性能进行了分析。将上述算法用1931个样本进行了培训，然后用包含16个行人的立体模型和469个非行人样本的真实交通场景进行测试，最后获得其灵敏度、准确度和特异性，并由此选择最佳算法。

研究了由传感器产生的高精度3D范围数据在自动驾驶车辆行人检测中的应用。研究结果表明：①构建机器学习算法时，需要设置出用于区分行人和周围环境中其它物体的特征向量。点云样本的轴侧投影用于创建二值图像，从而能够使用计算机视觉算法来计算部分特征向量。而其特征向量由3种特征组成：形状特征、不变矩特征和雷达反射性统计特征。②对3种不同机器学习算法（具有欧几里德和马哈拉诺比斯距离的kNN、具有高斯和KSF功能的NBC和具有线性和二次函数的SVM）的性能进行了分析。分析结果表明，SVM最好。③传统的机器视觉是使用摄像机进行人体检测，但这些技术受到照明条件变化的影响。而3D激光雷达技术能够提供更准确的数据，可以成功地用于检测任何类型照明条件下的行人。机器学习算法在无人驾驶车辆导航应用中具有高成功率和可扩展性。

未来研究工作可以增加点云样本的数据库，以及创建能够检测场景中其它重要物体（如自行车、汽车、交通标志和灯光等）的学习机。对传感器的融合也非常重要。还可开发可并行化代码，以增加算法的速度。

刊名：Sensors（英）

刊期：2017年第1期

作者：Navarro P J et al

编译：陈少帅