(随机样本共识)算法[7]操作这个模型。RANSAC算法是一个随机的方法消除异常值和由两个阶段组成,和证明评估。

在证据阶段,随机的三个活跃点集被吸引。这些集测试的矩形我们的车辆模型。在评估阶段,所有的假设从第一阶段按信心,考虑测量的数量是相当接近的四个点(车轮)和最小数量支持的轮子。最后,一组假设足够的信心选择下面的跟踪模块。

为了改善追踪(见秒。III-E),我们也生成假设基于只有两个活跃点。这些假设是模棱两可的,因为两个活跃点躺在一个短/长边或相反的网站。然而,单独处理,这些都是有用的更新闭塞的痕迹。

E．跟踪

跟踪模块接收的假设检测模块,以确保一致的和完整的时间集成通过提供过滤车辆的中心和方向。全面跟踪假定无间隙的车辆分类,根据检测到的假设,或一个合理的预测。这种预测关闭空白的地方没有假设生成的检测模块。我们建议使用一个扩展的卡尔曼滤波器(如。,请参阅[8])与物理运动模型和合理的观测噪声,因为它可以说是最著名的时间过滤器。

我们建议管理分配的假设跟踪如下:第一次,一个未被注意的假设看来,它初始化一个新的轨道。在以下步骤中,有关车辆中心和最相似的假设定位更新过滤器。一个跟踪被认为稳定的后一定数量的这些更新。如果一个跟踪不接收只一个假说,卡尔曼滤波器预测其新的状态。经过一定数量的预测(没有更新),跟踪被消除。

在这里,选择更新基于RANSAC算法的两点假设(见秒。III-D)进行的。那些只考虑轨道没有更新的三点假设。这个过程是有用的,以避免失去跟踪不止一个轮被挡住。然而,这些假设并不非常可靠,因此不是用来初始化一个新的轨道。

四．实验

A．设置

我们建立了一个安装6个2 d生病的激光雷达LMS 500分布在一个停车场。这些传感器允许记录达到100每秒的测量，最小的角分辨率视野的1/6°到190◦的最大作用距离65米。所有激光雷达传感器是一个局域网的一部分。

我们的停车场由三个不同的领域:一个入口区域(30米长×15米宽)、斜坡(35米长×6米宽)8◦下降和停车场(30米长×15米宽)。每个区域是由两个激光雷达传感器。我们的实验的主要业务覆盖车辆在停车场场景中:序列分析开始加速度的车辆在斜坡上第一次停车。它大约在30秒。40米直走,慢了下来,执行90◦转身离开在停车场再次加速。

评估我们的系统,我们比较结果与人类标签数据。人类真实用户分配(GT)位置在过滤和原始记录激光雷达数据在每一个单一的时间框架。在我们的序列中,大约。600上手写GT包含中心和方向的位置车辆聚集。因为一个追踪者需要确定连续的初步检测,评价在这个初始阶段。此外GT速度计算从测序的立场,这是暂时的平滑获得稳定的估计。

部署的系统是一个台式电脑的英特尔核心i7在2.80 GHz CPU和4 GB RAM内存。

B .结果

作为比较的基准,我们开发了两个可互换的检测算法(见秒。III-D):运行区间的脚腕转换之间的不同25 ms和50女士RANSAC算法有一个常数运行时的约。5女士只有一个最小变异