CV——day78 读论文：通过静态背景构建扩展低通道路边雷达的探测距离（目标是规避风险）

通过静态背景构建扩展低通道路边雷达的探测距离

Extending the Detection Range for Low-Channel Roadside LiDAR by Static Background Construction

本文试图通过使用低通道路边光检测和距离传感器（LiDAR：The light detection and range sensors）传感器来扩展检测范围，这是由于其价格低并且在未来被广泛使用。主要包含两部分：静态背景构建与交通目标检测

• 对于静态背景构建，利用连续的点云帧数据覆盖最大的雷达扫描水平-垂直角度，最终获得背景信息。

• 对于车辆和道路使用者检测，**基于密度的噪声应用空间聚类（DBSCAN）**算法

• 对于远距离交通目标检测，使用快速傅立叶变换（FFT）算法来过滤噪声点并识别车辆和道路使用者点。

总体过完一遍之后，发现这并不是之前看到的基于传统单阶段、两阶段的目标检测模型，而是基于点云和雷达的目标检测技术，有一定的学习基础看起来会容易一些，不然就当扩充知识面也行。

I. INTRODUCTION

目前在扩大探测范围方面的研究还存在一些有待加强的问题：

1）要求远距离目标与传感器之间没有障碍物;

2）行人作为最易受影响的道路使用者，在远距离检测中往往被忽略;

3）在复杂、高密度的交通环境中，准确性和鲁棒性会急剧下降。

我们从多帧点云中提取轨迹。为了扩大检测范围，准确检测远距离目标，在点云稀疏的远距离区域，利用快速傅里叶变换（FFT）对目标点和噪声点进行分类。

本文的主要贡献可以认为如下。

1)提出了一种新的静态背景构建方法，对背景点进行精确过滤，以适应不同等级的交通状况。

2)首次将FFT算法引入稀疏点云场景中目标点和噪声点的分类。

3)低通道LiDAR扩展探测距离的方法在复杂的交通流环境下效果良好。在远距离和LiDAR传感器之间可以存在不同的交通流密度。

4)车辆和骑车人的检测距离可以扩展到100米，相当于LiDAR的检测范围。行人检测距离可扩展至85 m。在复杂交通环境下，距离、平均查准率（AP）和平均查全率（AR）都比以往的研究有进一步的提高。

II. RELATED WORK

为了区别于已有的研究，回顾了基于LiDAR点云的车辆和道路使用者识别的相关研究。我们还回顾了尽我们所知扩展LiDAR和相机传感器的检测范围的文献。

A. LiDAR-Based 3-D Vehicle and Road User Detection

图1.点数表示在VLP-16激光雷达点云内不同距离的车辆。

B. LiDAR Data Background Filtering

C. Extending Detection Range for Visual Sensor

远距离目标的准确性和鲁棒性仍然是视觉传感器（如相机和LiDAR）的关键问题。其根本原因在于远距离的稀疏点或像素难以提取目标的关键特征。对于视觉传感器的远距离检测，机器视觉专家提出了许多模型和算法来扩展检测范围，提高检测精度。

III. LIDAR SENSOR AND ITS DATA

与诸如64通道或128通道LiDAR传感器之类的高通道LiDAR传感器相比，如果实现大规模生产，则预期低通道LiDAR传感器的价格将显著下降到大约$100。

因此，在本文中，我们使用低通道LiDAR传感器（Velodyne VLP-16）通过从其点云数据构建静态背景来扩展其检测范围。

• 单帧内的最大点数N_f可计算为：（1）

$$N_f=360\ast N_c/{\alpha }_r$$
Nc是LiDAR的通道数，αr是LiDAR的探测水平分辨率。对于VLP-16 LiDAR，Nf大约为每帧28800。

• 在扫描区域内，可能存在最大区别激光点N_BP：（2）

$$N_{BP}=360°\ast N_c{\alpha }_{min}$$

对于VLP-16 LiDAR, NBP = 576000，远远大于Nf。

IV. STATIC BACKGROUND CONSTRUCTION

A. Background Construction

图2：被车辆遮挡的背景物体示意图。(a)扫描范围内的背景对象。(b)背景超出扫描范围。

在交通拥挤的情况下，背景对象经常被车辆或道路使用者遮挡。因此，在构建静态背景时，应去除车辆、道路使用者和噪声点。

背景对象可分为范围内对象和范围外对象。当车辆或道路用户通过时，激光束将为范围内的对象返回不同的激光点。对于远距物体，当车辆或道路用户经过时，激光束会返回激光点，否则什么也不返回，如图2所示。

采用二维矩阵MBP表示背景点云为：

如果点云中垂直角、水平角相同，且形成的激光束相同，则定义距离最远的点为背景点：

其中，dij是矩阵MBP中第i行第j列的元素，dij是构造静态背景的点云中水平角αj和对顶角ωi处的点的距离集合。

B. 静态背景优化，减少点缺失

通过设置阈值pth来优化静态后台。因此(4)改写为：

从图5可以看出，随着pth值的增大，背景信息在近距离内变得更加丰富。

C. 静态背景优化，过滤噪声点

建议在文中细看，图8。之前和之后噪声点从Am去除。(a)带有噪声点的背景在红色椭圆中。(b) Am去除噪声点的背景。

图9。使用Open3d去除点后的结果。

V. 扩大路边激光雷达探测范围

EXTENDING DETECTION RANGE OF ROADSIDE LIDAR

A. Background Filtering背景过滤

对于两步背景滤波，大部分背景点和噪声点都可以成功滤波，如图12所示。

B. Detection 检测

对于近距离，使用DBSCAN算法检测车辆和道路用户。

对于远距离，点云稀疏，容易被近距离物体遮挡。对于道路用户或车辆，LiDAR传感器只会检测到一个或两个点，如图13中的红色矩形所示。

VII. CONCLUSIONS AND DISCUSSION

在本文中，我们提出了一种扩展路边激光雷达探测范围的方法。首先，构造一个静态背景作为漏斗来过滤背景点。在静态背景构建中，利用多帧点云数据覆盖激光雷达传感器的最大水平角和垂直角，最终获得背景信息。此外，对静态背景进行优化，以减少远距离背景点的缺失和噪声点的出现。与其他方法相比，本文提出的方法可以用较少的点云数据构造出更精确的静态背景。