Этот пример показов, как обнаружить, классифицировать и отследить транспортные средства с помощью лидарных данных облака точек, захваченных датчиком лидара, установленным на автомобиль , оборудованный датчиком. Лидарные данные, используемые в этом примере, записываются из сценария движения по шоссе. В этом примере данные облака точек сегментируются, чтобы определить класс объектов, используя PointSeg
сети. Совместный вероятностный трекер ассоциации данных (JPDA) с интерактивным фильтром нескольких моделей используется для отслеживания обнаруженных транспортных средств.
Модуль восприятия играет важную роль в достижении полной автономности для транспортных средств с системой ADAS. Лидар и камера являются важными датчиками в рабочем процессе восприятия. Лидар хорошо извлекает точную информацию о глубине объектов, в то время как камера создает богатую и подробную информацию об окружении, которая полезна для классификации объектов.
Этот пример в основном включает в себя следующие части:
Сегментация наземной плоскости
Семантическая сегментация
Ориентированный ограничивающий прямоугольник подбора кривой
Отслеживающие ограничительные рамки
Блок-схема дает обзор всей системы.
Датчик лидара генерирует данные облака точек либо в организованном формате, либо в неорганизованном формате. Данные, используемые в этом примере, собираются с использованием датчика Ouster OS1 lidar. Этот лидар создает организованное облако точек с 64 горизонтальными линиями скана. Данные облака точек состоят из трех каналов, представляющих координаты x, y и z точек. Каждый канал имеет размер 64 на 1024. Используйте функцию helper helperDownloadData
загрузить данные и загрузить их в рабочую область MATLAB ®.
Примечание: Эта загрузка может занять несколько минут.
[ptClouds,pretrainedModel] = helperDownloadData;
В этом примере используется гибридный подход, который использует segmentGroundFromLidarData
и pcfitplane
функций. Сначала оцените параметры наземной плоскости, используя segmentGroundFromLidarData
функция. Расчетная плоскость земли разделена на полосы по направлению транспортного средства порядка для соответствия плоскости, с помощью pcfitplane
функция на каждой полосе. Этот гибридный подход надежно подбирает плоскость земли кусочно и обрабатывает изменения в облаке точек.
% Load point cloud ptCloud = ptClouds{1}; % Define ROI for cropping point cloud xLimit = [-30,30]; yLimit = [-12,12]; zLimit = [-3,15]; roi = [xLimit,yLimit,zLimit]; % Extract ground plane [nonGround,ground] = helperExtractGround(ptCloud,roi); figure; pcshowpair(nonGround,ground); legend({'\color{white} Nonground','\color{white} Ground'},'Location','northeastoutside');
Этот пример использует предварительно обученную PointSeg
модель сети. PointSeg
- сквозная сеть семантической сегментации в реальном времени, обученная для классов объектов, таких как автомобили, грузовики и фон. Выходы сети представляют собой маскированное изображение с каждым пикселем, маркированным по его классу. Эта маска используется для фильтрации различных типов объектов в облаке точек. Вход в сеть является пятиканальным изображением, то есть x, y, z, интенсивность и область значений. Для получения дополнительной информации о сети или о том, как обучить сеть, смотрите семантическую сегментацию облака точек Lidar Используя PointSeg Нейронной сети для глубокого обучения пример.
The helperPrepareData
функция генерирует пятиканальные данные из загруженных данных облака точек.
% Load and visualize a sample frame frame = helperPrepareData(ptCloud); figure; subplot(5,1,1); imagesc(frame(:,:,1)); title('X channel'); subplot(5,1,2); imagesc(frame(:,:,2)); title('Y channel'); subplot(5,1,3); imagesc(frame(:,:,3)); title('Z channel'); subplot(5,1,4); imagesc(frame(:,:,4)); title('Intensity channel'); subplot(5,1,5); imagesc(frame(:,:,5)); title('Range channel');
Выполните вывод вперед на одной системе координат из загруженной предварительно обученной сети.
if ~exist('net','var') net = pretrainedModel.net; end % Define classes classes = ["background","car","truck"]; % Define color map lidarColorMap = [ 0.98 0.98 0.00 % unknown 0.01 0.98 0.01 % green color for car 0.01 0.01 0.98 % blue color for motorcycle ]; % Run forward pass pxdsResults = semanticseg(frame,net); % Overlay intensity image with segmented output segmentedImage = labeloverlay(uint8(frame(:,:,4)),pxdsResults,'Colormap',lidarColorMap,'Transparency',0.5); % Display results figure; imshow(segmentedImage); helperPixelLabelColorbar(lidarColorMap,classes);
Используйте сгенерированную семантическую маску для фильтрации облаков точек, содержащих грузовики. Точно так же фильтруйте облака точек для других классов.
truckIndices = pxdsResults == 'truck'; truckPointCloud = select(nonGround,truckIndices,'OutputSize','full'); % Crop point cloud for better display croppedPtCloud = select(ptCloud,findPointsInROI(ptCloud,roi)); croppedTruckPtCloud = select(truckPointCloud,findPointsInROI(truckPointCloud,roi)); % Display ground and nonground points figure; pcshowpair(croppedPtCloud,croppedTruckPtCloud); legend({'\color{white} Nonvehicle','\color{white} Vehicle'},'Location','northeastoutside');
После извлечения облаков точек различных классов объектов объекты кластеризуются путем применения евклидовой кластеризации с помощью pcsegdist
функция. Чтобы сгруппировать все точки, принадлежащие одному кластеру, облако точек, полученное как кластер, используется в качестве начальных точек для растущей области в негрупповых точках. Используйте findNearestNeighbors
функция для закольцовывания всех точек, чтобы увеличить область. Извлеченный кластер помещается в ограничивающий прямоугольник L-образной формы с помощью pcfitcuboid
функция. Эти кластеры транспортных средств напоминают форму буквы L, если смотреть сверху вниз. Эта функция помогает в оценке ориентации транспортного средства. Ориентированный ограничивающий прямоугольник подбора кривой помогает в оценке угла рыскания объектов, что полезно в приложениях, таких как планирование пути и трафик маневрирования трафиком.
Кубоидные контуры кластеров также могут быть вычислены путем нахождения минимального и максимального пространственных границ в каждом направлении. Однако этот способ не позволяет оценить ориентацию обнаруженных транспортных средств. На рисунке показано различие между этими двумя методами.
[labels,numClusters] = pcsegdist(croppedTruckPtCloud,1); % Define cuboid parameters params = zeros(0,9); for clusterIndex = 1:numClusters ptsInCluster = labels == clusterIndex; pc = select(croppedTruckPtCloud,ptsInCluster); location = pc.Location; xl = (max(location(:,1)) - min(location(:,1))); yl = (max(location(:,2)) - min(location(:,2))); zl = (max(location(:,3)) - min(location(:,3))); % Filter small bounding boxes if size(location,1)*size(location,2) > 20 && any(any(pc.Location)) && xl > 1 && yl > 1 indices = zeros(0,1); objectPtCloud = pointCloud(location); for i = 1:size(location,1) seedPoint = location(i,:); indices(end+1) = findNearestNeighbors(nonGround,seedPoint,1); end % Remove overlapping indices indices = unique(indices); % Fit oriented bounding box model = pcfitcuboid(select(nonGround,indices)); params(end+1,:) = model.Parameters; end end % Display point cloud and detected bounding box figure; pcshow(croppedPtCloud.Location,croppedPtCloud.Location(:,3)); showShape('cuboid',params,"Color","red","Label","Truck");
Используйте helperLidarObjectDetectionDisplay
класс, чтобы визуализировать полный рабочий процесс в одном окне. Размещение окна визуализации разделено на следующие разделы:
Lidar Range Image: изображение облака точек в 2-D как изображение области значений
Сегментированное изображение: Обнаруженные метки, сгенерированные из сети семантической сегментации, покрыты изображением интенсивности или четвертым каналом данных
Определение ориентированного ограничивающего прямоугольника: 3-D облака точек с ориентированными ограничивающими прямоугольниками
Вид сверху: вид сверху облака точек с ориентированными ограничивающими рамками
display = helperLidarObjectDetectionDisplay;
The helperLidarObjectDetection
класс является оболочкой, инкапсулирующей все шаги сегментации, кластеризации и подбора кривой ограничивающего прямоугольника, упомянутые в вышеупомянутых разделах. Используйте findDetections
функция для извлечения обнаруженных объектов.
% Initialize lidar object detector lidarDetector = helperLidarObjecDetector('Model',net,'XLimits',xLimit,... 'YLimit',yLimit,'ZLimit',zLimit); % Prepare 5-D lidar data inputData = helperPrepareData(ptClouds); % Set random number generator for reproducible results. S = rng(2018); % Initialize the display initializeDisplay(display); numFrames = numel(inputData); for count = 1:numFrames % Get current data input = inputData{count}; rangeImage = input(:,:,5); % Extact bounding boxes from lidar data [boundingBox,coloredPtCloud,pointLabels] = detectBbox(lidarDetector,input); % Update display with colored point cloud updatePointCloud(display,coloredPtCloud); % Update bounding boxes updateBoundingBox(display,boundingBox); % Update segmented image updateSegmentedImage(display,pointLabels,rangeImage); drawnow('limitrate'); end
В этом примере вы используете совместный вероятностный трекер ассоциации данных (JPDA). Временной шаг dt
устанавливается равным 0,1 секунды, так как набор данных захвачен со скоростью 10 Гц. Модель пространства состояний, используемая в трекере, основана на кубоидной модели с параметрами, . Для получения дополнительной информации о том, как отслеживать ограничительные рамки в данных лидара, смотрите пример Track Vehicles Using Lidar: From Point Cloud to Track List (Sensor Fusion and Tracking Toolbox). В этом примере информация о классе предоставляется с помощью ObjectAttributes
свойство objectDetection object
. При создании новых треков функция инициализации фильтра ,
задается с помощью функции helper helperMultiClassInitIMMFilter
использует класс обнаружения, чтобы настроить начальные размерности объекта. Это помогает трекеру настроить модель измерения ограничительного прямоугольника с соответствующими размерностями дорожки.
Настройте объект трекера JPDA с этими параметрами.
assignmentGate = [10 100]; % Assignment threshold; confThreshold = [7 10]; % Confirmation threshold for history logi delThreshold = [2 3]; % Deletion threshold for history logic Kc = 1e-5; % False-alarm rate per unit volume % IMM filter initialization function filterInitFcn = @helperMultiClassInitIMMFilter; % A joint probabilistic data association tracker with IMM filter tracker = trackerJPDA('FilterInitializationFcn',filterInitFcn,... 'TrackLogic','History',... 'AssignmentThreshold',assignmentGate,... 'ClutterDensity',Kc,... 'ConfirmationThreshold',confThreshold,... 'DeletionThreshold',delThreshold,'InitializationThreshold',0); allTracks = struct([]); time = 0; dt = 0.1; % Define Measurement Noise measNoise = blkdiag(0.25*eye(3),25,eye(3)); numTracks = zeros(numFrames,2);
Обнаруженные объекты собраны как массив ячеек
objectDetection
(Automated Driving Toolbox) объекты, использующие helperAssembleDetections
функция.
display = helperLidarObjectDetectionDisplay; initializeDisplay(display); for count = 1:numFrames time = time + dt; % Get current data input = inputData{count}; rangeImage = input(:,:,5); % Extact bounding boxes from lidar data [boundingBox,coloredPtCloud,pointLabels] = detectBbox(lidarDetector,input); % Assemble bounding boxes into objectDetections detections = helperAssembleDetections(boundingBox,measNoise,time); % Pass detections to tracker if ~isempty(detections) % Update the tracker [confirmedTracks,tentativeTracks,allTracks,info] = tracker(detections,time); numTracks(count,1) = numel(confirmedTracks); end % Update display with colored point cloud updatePointCloud(display,coloredPtCloud); % Update segmented image updateSegmentedImage(display,pointLabels,rangeImage); % Update the display if the tracks are not empty if ~isempty(confirmedTracks) updateTracks(display,confirmedTracks); end drawnow('limitrate'); end
Этот пример показал, как обнаружить и классифицировать транспортные средства, оснащенные ориентированной ограничительной рамкой на данных лидара. Вы также научились использовать фильтр IMM для отслеживания объектов с несколькими сведениями о классах. Результаты семантической сегментации могут быть улучшены дополнительно путем добавления большего количества обучающих данных.
function multiChannelData = helperPrepareData(input) % Create 5-channel data as x, y, z, intensity and range % of size 64-by-1024-by-5 from pointCloud. if isa(input, 'cell') numFrames = numel(input); multiChannelData = cell(1, numFrames); for i = 1:numFrames inputData = input{i}; x = inputData.Location(:,:,1); y = inputData.Location(:,:,2); z = inputData.Location(:,:,3); intensity = inputData.Intensity; range = sqrt(x.^2 + y.^2 + z.^2); multiChannelData{i} = cat(3, x, y, z, intensity, range); end else x = input.Location(:,:,1); y = input.Location(:,:,2); z = input.Location(:,:,3); intensity = input.Intensity; range = sqrt(x.^2 + y.^2 + z.^2); multiChannelData = cat(3, x, y, z, intensity, range); end end
function helperPixelLabelColorbar(cmap, classNames) % Add a colorbar to the current axis. The colorbar is formatted % to display the class names with the color. colormap(gca,cmap) % Add colorbar to current figure. c = colorbar('peer', gca); % Use class names for tick marks. c.TickLabels = classNames; numClasses = size(cmap,1); % Center tick labels. c.Ticks = 1/(numClasses*2):1/numClasses:1; % Remove tick mark. c.TickLength = 0; end
function [ptCloudNonGround,ptCloudGround] = helperExtractGround(ptCloudIn,roi) % Crop the point cloud idx = findPointsInROI(ptCloudIn,roi); pc = select(ptCloudIn,idx,'OutputSize','full'); % Get the ground plane the indices using piecewise plane fitting [ptCloudGround,idx] = piecewisePlaneFitting(pc,roi); nonGroundIdx = true(size(pc.Location,[1,2])); nonGroundIdx(idx) = false; ptCloudNonGround = select(pc,nonGroundIdx,'OutputSize','full'); end function [groundPlane,idx] = piecewisePlaneFitting(ptCloudIn,roi) groundPtsIdx = ... segmentGroundFromLidarData(ptCloudIn, ... 'ElevationAngleDelta',5,'InitialElevationAngle',15); groundPC = select(ptCloudIn,groundPtsIdx,'OutputSize','full'); % Divide x-axis in 3 regions segmentLength = (roi(2) - roi(1))/3; x1 = [roi(1),roi(1) + segmentLength]; x2 = [x1(2),x1(2) + segmentLength]; x3 = [x2(2),x2(2) + segmentLength]; roi1 = [x1,roi(3:end)]; roi2 = [x2,roi(3:end)]; roi3 = [x3,roi(3:end)]; idxBack = findPointsInROI(groundPC,roi1); idxCenter = findPointsInROI(groundPC,roi2); idxForward = findPointsInROI(groundPC,roi3); % Break the point clouds in front and back ptBack = select(groundPC,idxBack,'OutputSize','full'); ptForward = select(groundPC,idxForward,'OutputSize','full'); [~,inliersForward] = planeFit(ptForward); [~,inliersBack] = planeFit(ptBack); idx = [inliersForward; idxCenter; inliersBack]; groundPlane = select(ptCloudIn, idx,'OutputSize','full'); end function [plane,inlinersIdx] = planeFit(ptCloudIn) [~,inlinersIdx, ~] = pcfitplane(ptCloudIn,1,[0, 0, 1]); plane = select(ptCloudIn,inlinersIdx,'OutputSize','full'); end
function mydetections = helperAssembleDetections(bboxes,measNoise,timestamp) % Assemble bounding boxes as cell array of objectDetection mydetections = cell(size(bboxes,1),1); for i = 1:size(bboxes,1) classid = bboxes(i,end); lidarModel = [bboxes(i,1:3), bboxes(i,end-1), bboxes(i,4:6)]; % To avoid direct confirmation by the tracker, the ClassID is passed as % ObjectAttributes. mydetections{i} = objectDetection(timestamp, ... lidarModel','MeasurementNoise',... measNoise,'ObjectAttributes',struct('ClassID',classid)); end end
function [lidarData, pretrainedModel] = helperDownloadData outputFolder = fullfile(tempdir,'WPI'); url = 'https://ssd.mathworks.com/supportfiles/lidar/data/lidarSegmentationAndTrackingData.tar.gz'; lidarDataTarFile = fullfile(outputFolder,'lidarSegmentationAndTrackingData.tar.gz'); if ~exist(lidarDataTarFile,'file') mkdir(outputFolder); websave(lidarDataTarFile,url); untar(lidarDataTarFile,outputFolder); end % Check if tar.gz file is downloaded, but not uncompressed if ~exist(fullfile(outputFolder,'WPI_LidarData.mat'),'file') untar(lidarDataTarFile,outputFolder); end % Load lidar data data = load(fullfile(outputFolder,'highwayData.mat')); lidarData = data.ptCloudData; % Download pretrained model url = 'https://ssd.mathworks.com/supportfiles/lidar/data/pretrainedPointSegModel.mat'; modelFile = fullfile(outputFolder,'pretrainedPointSegModel.mat'); if ~exist(modelFile,'file') websave(modelFile,url); end pretrainedModel = load(fullfile(outputFolder,'pretrainedPointSegModel.mat')); end
[1] Xiao Zhang, Wenda Xu, Chiyu Dong и John M. Dolan, «Effective L-Shape Fitting for Vehicle Detection Using Laser Scanners», IEEE Intelligent Vehicles Symposium, июнь 2017
[2] Y. Wang, T. Shi, P. Yun, L. Tai, and M. Liu, «Pointseg: Real-time semantic segmentation based on 3d lidar облако точек», arXiv preprint arXiv:1807.06288, 2018.