智轨列车基于稀疏点云和图像的车辆识别技术

罗意平，宇文天，万政良，刘斯斯

(中南大学 交通运输工程学院，湖南 长沙 410075)

株洲电力机车研究所自主研发的智轨列车运行模式采取了“虚拟轨道跟随控制”技术[1]，通过识别虚拟车道线来规划行车路径，可与其他车辆共享虚拟车道。但智轨列车速度快、车体长，在40 km/h 行车速度下制动距离约为14 m，当其他车辆误入虚拟轨道时易发生连环交通事故。针对以上问题，需采用车辆识别技术作为智能驾驶辅助功能，检测前方车辆的三维信息，用于防撞预警和智能驾驶的数据支撑。在常用的三维检测方法中，以激光雷达点云作为输入数据，通过人为规定目标点云的特征进行训练，从而利用分类器进行目标检测。QIU 等[2]静态安装激光雷达采集点云，并采用AdaBoost 自适应算法进行训练，获取弱分类器完成车辆识别，识别率为87.7%，但目标车辆的速度仅为3.57 m/s，远小于智轨列车的最低时速8.3 m/s。程健等[3-4]分别使用SVM 和级联分类器动态识别车辆，但实时性较差，单帧处理时长大于200 ms。上述方法识别精度取决于人为设计特征和点云特征表现。一方面，人为设计特征的主观性较强，不具备数据代表性，常综合多种特征来提高检测精度，计算量大导致处理效率低下。另一方面，点云特征表现取决于点云密度，而采用的64 线激光雷达成本高达50 万元，难以进行工程应用。近年来，基于深度学习的检测方法利用数据特征代替了经验特征。CHARLES等[5−6]提出网络模型PointNet 和PointNet++，将目标点云的全局特征和局部特征作为分类和分割用途，识别率达到74.9%和77.3%。……