CN110458055B - 一种障碍物检测方法及*** - Google Patents
一种障碍物检测方法及*** Download PDFInfo
- Publication number
- CN110458055B CN110458055B CN201910686755.4A CN201910686755A CN110458055B CN 110458055 B CN110458055 B CN 110458055B CN 201910686755 A CN201910686755 A CN 201910686755A CN 110458055 B CN110458055 B CN 110458055B
- Authority
- CN
- China
- Prior art keywords
- target
- reflection intensity
- cluster set
- radar
- variance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开一种障碍物检测方法及***。该方法包括:获取激光雷达点云数据;所述激光雷达点云数据由安装在列车上的单线激光雷达探测得到;按照雷达点的序号顺序,结合设定的最大搜索范围对所述激光雷达点云数据进行聚类,得到多个聚类集合;根据所述聚类集合,提取当前帧每个聚类集合对应的目标的特征参数;所述特征参数包括雷达点的数量、平均方位角、平均距离、质心位置、平均反射强度和反射强度方差;根据前一帧每个聚类集合对应的目标的特征参数,对当前帧所有的目标进行匹配;当匹配成功时,将当前帧的目标确定为障碍物目标。本发明可以提高障碍物检测的准确度。
Description
技术领域
本发明涉及轨道障碍物检测领域,特别是涉及一种障碍物检测方法及***。
背景技术
在城市轨道的正常行驶中,需要实时检测障碍物目标。目前,通常采用激光雷达负责中等距离环境物体的感知,并提供环境物体准确距离信息。传统的激光雷达目标检测主要依靠经典聚类算法,首先确定聚类半径M,然后在激光雷达点云图中,选中一个随机的种子点pi,计算pi和其他所有雷达点pi,pi+1…pn间的距离,将其他雷达点中与pi的距离小于聚类半径的点加入集合V1{pi…pm},再在集合V1中挑选下一个种子点,与点云图中其他不在V1中的点计算距离,如距离小于聚类半径M则将这些点也加入集合V1,重复此步骤直V1中的所有点都作过种子点,此时集合V1聚类结束。再在点云图中挑选集合V1之外的种子点,并重复此步骤得到集合V2,以此类推直至点云图中所有点都在某一集合{V1,V2…Vn}中,进而根据聚类后的点云数据确定障碍物的位置。
现有技术中,由于车速较快,无法对背景进行建模,因此,采用经典聚类算法检测障碍物的方法不易将障碍物与背景区分,因此,检测的准确度不高。
发明内容
本发明的目的是提供一种障碍物检测方法及***,以提高障碍物检测的准确度。
为实现上述目的,本发明提供了如下方案:
一种障碍物检测方法,包括:
获取激光雷达点云数据;所述激光雷达点云数据由安装在列车上的单线激光雷达探测得到;
按照雷达点的序号顺序,结合设定的最大搜索范围对所述激光雷达点云数据进行聚类,得到多个聚类集合;
根据所述聚类集合,提取当前帧每个聚类集合对应的目标的特征参数;所述特征参数包括雷达点的数量、平均方位角、平均距离、质心位置、平均反射强度和反射强度方差;
根据前一帧每个聚类集合对应的目标的特征参数,对当前帧所有的目标进行匹配;
当匹配成功时,将当前帧的目标确定为障碍物目标。
可选的,所述获取激光雷达点云数据,之后还包括:
采用中值滤波算法对所述激光雷达点云数据进行平滑处理,去除孤立的噪点,得到预处理后的激光雷达点云数据。
可选的,所述按照雷达点的序号顺序,结合设定的最大搜索范围对所述激光雷达点云数据进行聚类,得到多个聚类集合,具体包括:
对于雷达点rk,依次判断雷达点rk序号之后设定的最大搜索范围内的每一个雷达点rk+n是否满足设定条件,得到第一判断结果;所述设定条件为其中,rk,k+n为两个激光雷达点的距离,C0为激光雷达的最大误差,K为最大搜索范围,n为两个激光点间的序号差,n≤K,rmin={rk,rk+n},θ为激光雷达角分辨率,
当所述第一判断结果表示雷达点rk+n满足设定条件时,将雷达点rk+n加入雷达点rk所在的聚类集合;
当所述第一判断结果表示雷达点rk+n不满足设定条件时,构建雷达点rk+n的聚类集合。
可选的,所述根据所述聚类集合,提取当前帧每个聚类集合对应的目标的特征参数,具体包括:
判断第i个聚类集合的反射强度方差M2是否大于反射强度方差阈值,得到第二判断结果;
当所述第二判断结果表示第i个聚类集合的反射强度方差M2大于反射强度方差阈值时,确定所述第i个聚类集合对应的目标不存在;
当所述第二判断结果表示第i个聚类集合的反射强度方差M2不大于反射强度方差阈值时,确定所述第i个聚类集合对应的目标存在,提取第i个聚类集合对应的目标的特征参数。
可选的,所述根据前一帧每个聚类集合对应的目标的特征参数,对当前帧所有的目标进行匹配,具体包括:
对于前一帧第i个聚类集合对应的目标Ti和当前帧第j个聚类集合对应的目标Tj,计算目标Ti与目标Tj之间的质心距离;
判断目标Ti与目标Tj之间的质心距离是否小于列车最大时速,得到第三判断结果;
当所述第三判断结果表示目标Ti与目标Tj之间的质心距离小于列车最大时速时,计算目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度;
判断目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度是否均大于设定比例,得到第四判断结果;
当所述第四判断结果表示目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度均大于设定比例时,确定目标Tj与目标Ti是同一目标,匹配成功;
当所述第三判断结果表示目标Ti与目标Tj之间的质心距离不小于列车最大时速时,或者当所述第四判断结果表示目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度或反射强度方差的增加幅度不大于设定比例时,确定目标Tj与目标Ti不是同一目标,匹配失败。
本发明还提供一种障碍物检测***,包括:
激光雷达点云数据获取模块,用于获取激光雷达点云数据;所述激光雷达点云数据由安装在列车上的单线激光雷达探测得到;
聚类模块,用于按照雷达点的序号顺序,结合设定的最大搜索范围对所述激光雷达点云数据进行聚类,得到多个聚类集合;
特征参数提取模块,用于根据所述聚类集合,提取当前帧每个聚类集合对应的目标的特征参数;所述特征参数包括雷达点的数量、平均方位角、平均距离、质心位置、平均反射强度和反射强度方差;
匹配模块,用于根据前一帧每个聚类集合对应的目标的特征参数,对当前帧所有的目标进行匹配;
障碍物目标确定模块,用于当匹配成功时,将当前帧的目标确定为障碍物目标。
可选的,还包括:
预处理模块,用于获取激光雷达点云数据之后,采用中值滤波算法对所述激光雷达点云数据进行平滑处理,去除孤立的噪点,得到预处理后的激光雷达点云数据。
可选的,所述聚类模块具体包括:
第一判断单元,用于对于雷达点rk,依次判断雷达点rk序号之后设定的最大搜索范围内的每一个雷达点rk+n是否满足设定条件,得到第一判断结果;所述设定条件为其中,rk,k+n为两个激光雷达点的距离,C0为激光雷达的最大误差,K为最大搜索范围,n为两个激光点间的序号差,n≤K,rmin={rk,rk+n},θ为激光雷达角分辨率,
聚类集合更新单元,用于当所述第一判断结果表示雷达点rk+n满足设定条件时,将雷达点rk+n加入雷达点rk所在的聚类集合;
聚类集合构建单元,用于当所述第一判断结果表示雷达点rk+n不满足设定条件时,构建雷达点rk+n的聚类集合。
可选的,所述特征参数提取模块具体包括:
第二判断单元,用于判断第i个聚类集合的反射强度方差M2是否大于反射强度方差阈值,得到第二判断结果;
目标确定单元,用于当所述第二判断结果表示第i个聚类集合的反射强度方差M2大于反射强度方差阈值时,确定所述第i个聚类集合对应的目标不存在;
特征提取单元,用于当所述第二判断结果表示第i个聚类集合的反射强度方差M2不大于反射强度方差阈值时,确定所述第i个聚类集合对应的目标存在,提取第i个聚类集合对应的目标的特征参数。
可选的,所述匹配模块具体包括:
质心距离计算单元,用于对于前一帧第i个聚类集合对应的目标Ti和当前帧第j个聚类集合对应的目标Tj,计算目标Ti与目标Tj之间的质心距离;
第三判断单元,用于判断目标Ti与目标Tj之间的质心距离是否小于列车最大时速,得到第三判断结果;
增加幅度计算单元,用于当所述第三判断结果表示目标Ti与目标Tj之间的质心距离小于列车最大时速时,计算目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度;
第四判断单元,用于判断目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度是否均大于设定比例,得到第四判断结果;
匹配成功确定单元,用于当所述第四判断结果表示目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度均大于设定比例时,确定目标Tj与目标Ti是同一目标,匹配成功;
匹配失败确定单元,用于当所述第三判断结果表示目标Ti与目标Tj之间的质心距离不小于列车最大时速时,或者当所述第四判断结果表示目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度或反射强度方差的增加幅度不大于设定比例时,确定目标Tj与目标Ti不是同一目标,匹配失败。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明在经典聚类算法的基础上加入了最大搜索范围,这样可以保证在聚类时跳过单个断点,尽可能获得目标的完整数据,为下一步多帧跟踪做好基础,另由于在本设备中列车的姿态和速度都无法获取,所以采用了列车最大速度作为约束条件,以最快的速度缩小跟踪的匹配范围,并对目标尺寸了距离补偿操作。同时作为列车上的嵌入式设备,本方法采用距离数据作为单一变量,以雷达点序号为顺序的聚类方法,充分利用了激光雷达的线扫描的特点,对比传统依赖坐标数据的聚类方法,减少了大量计算,保证了***的实效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明障碍物检测方法的流程示意图;
图2为本发明障碍物检测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明障碍物检测方法的流程示意图。如图1所示,所述障碍物检测方法包括以下步骤:
步骤100:获取激光雷达点云数据。所述激光雷达点云数据由安装在列车上的单线激光雷达探测得到。本发明采用单线TOF(time of flight:飞行时间)激光雷达进行数据探测。
在具体实施过程中,为了提高障碍物检测结果的准确度,可以在获取激光雷达点云数据之后,对激光雷达点云数据进行预处理,有效的滤除单个雷达点的杂波干扰。具体的,采用中值滤波对激光雷达点云数据进行平滑处理,去除孤立的噪点,由于TOF激光雷达数据中存在大量由于无法探测到回波而显示距离为0的点,所以在进行中值滤波时要将这些点去除,即:
y(i)=Med[x(i-N)…x(i)…x(i+N)],x(n)≠0
其中,Med为中值运算符,y(i)为第i个雷达点经过中值滤波后的距离数据,x(i)为第i个雷达点的距离数据,N为窗口尺寸,x(n)在0时即第n个点的距离数据不计入中值统计。
步骤200:按照雷达点的序号顺序,结合设定的最大搜索范围对激光雷达点云数据进行聚类,得到多个聚类集合。具体如下:
对于雷达点rk,依次判断雷达点rk序号之后设定的最大搜索范围内的雷达点集合{rk+1,rk+2,…rk+n,…,rk+K}的每一个雷达点rk+n是否满足设定条件,得到第一判断结果;所述设定条件为其中,rk,k+n为两个激光雷达点的距离,C0为激光雷达的最大误差,通常取0.03m,K为最大搜索范围,n为两个激光点间的序号差,n≤K,rmin={rk,rk+n},θ为激光雷达角分辨率,
当所述第一判断结果表示雷达点rk+n满足设定条件时,将雷达点rk+n加入雷达点rk所在的聚类集合;
当所述第一判断结果表示雷达点rk+n不满足设定条件时,构建雷达点rk+n的聚类集合;
依次得到所有的聚类集合,使得每一个雷达点都有所述的聚类集合。在后续的操作中,每一个聚类集合对应一个目标。
步骤300:根据聚类集合,提取当前帧每个聚类集合对应的目标的特征参数。所述特征参数包括雷达点的数量S、平均方位角γ、平均距离质心位置(x,y)、平均反射强度和反射强度方差M2。其中,第i个聚类集合的反射强度方差M2的计算方法为:
当第i个聚类集合的反射强度方差M2大于反射强度方差阈值时,确定所述第i个聚类集合对应的目标不存在;当第i个聚类集合的反射强度方差M2不大于反射强度方差阈值时,确定所述第i个聚类集合对应的目标存在,进而提取第i个聚类集合对应的目标的特征参数。通常,反射强度方差阈值可以为3。
步骤400:根据前一帧每个聚类集合对应的目标的特征参数,对当前帧所有的目标进行匹配。为了排除虚警,需要对目标进行多帧跟踪以确认目标确实存在,由于在本设备的应用场景中设备和目标可能会同时移动,所以采取范围判断和反射强度匹配两种方法确认目标的持续存在。具体如下:
对于前一帧第i个聚类集合对应的目标Ti和当前帧第j个聚类集合对应的目标Tj,计算目标Ti与目标Tj之间的质心距离;
判断目标Ti与目标Tj之间的质心距离是否小于列车最大时速。当目标Ti与目标Tj之间的质心距离小于列车最大时速时,计算目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度;其中,和为第i帧的一个目标和第i+1帧匹配目标的平均距离,S为目标Ti包含的雷达点的数量,S1为目标Tj包含的雷达点数量,即雷达所能探测到的数量点应随目标的距离远近而变化。
判断目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度是否均大于设定比例。当目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度均大于设定比例时,确定目标Tj与目标Ti是同一目标,匹配成功;当目标Ti与目标Tj之间的质心距离不小于列车最大时速时,或者当目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度或反射强度方差的增加幅度不大于设定比例时,确定目标Tj与目标Ti不是同一目标,匹配失败。设定比例可以取20%。
步骤500:当匹配成功时,将当前帧的目标确定为障碍物目标。
本雷达目标检测方法可以有效的滤除单个雷达点的杂波干扰,并在经典聚类算法的基础上加入了最大搜索范围,这样可以保证在聚类时跳过单个断点,尽可能获得目标的完整数据,为下一步多帧跟踪做好基础,另由于在本设备中列车的姿态和速度都无法获取,所以采用了列车最大速度作为约束条件,以最快的速度缩小跟踪的匹配范围,并对目标尺寸了距离补偿操作,即
同时作为列车上的嵌入式设备,本方法采用距离数据作为单一变量,以雷达点序号为顺序的聚类方法,充分利用了激光雷达的线扫描的特点,对比传统依赖坐标数据的聚类方法,减少了大量计算,保证了***的实效性。
对应于图1所示的障碍物检测方法,本发明还提供一种障碍物检测***,
图2为本发明障碍物检测***的结构示意图。如图2所示,障碍物检测***包括以下结构:
激光雷达点云数据获取模块201,用于获取激光雷达点云数据;所述激光雷达点云数据由安装在列车上的单线激光雷达探测得到;
聚类模块202,用于按照雷达点的序号顺序,结合设定的最大搜索范围对所述激光雷达点云数据进行聚类,得到多个聚类集合;
特征参数提取模块203,用于根据所述聚类集合,提取当前帧每个聚类集合对应的目标的特征参数;所述特征参数包括雷达点的数量、平均方位角、平均距离、质心位置、平均反射强度和反射强度方差;
匹配模块204,用于根据前一帧每个聚类集合对应的目标的特征参数,对当前帧所有的目标进行匹配;
障碍物目标确定模块205,用于当匹配成功时,将当前帧的目标确定为障碍物目标。
作为另一实施例,所述***还包括:
预处理模块,用于获取激光雷达点云数据之后,采用中值滤波算法对所述激光雷达点云数据进行平滑处理,去除孤立的噪点,得到预处理后的激光雷达点云数据。
作为另一实施例,所述聚类模块202具体包括:
第一判断单元,用于对于雷达点rk,依次判断雷达点rk序号之后的每一个雷达点rk+n是否满足设定条件,得到第一判断结果;所述设定条件为其中,rk,k+n为两个激光雷达点的距离,C0为激光雷达的最大误差,K为最大搜索范围,n为两个激光点间的序号差,n≤K,rmin={rk,rk+n},θ为激光雷达角分辨率,
聚类集合更新单元,用于当所述第一判断结果表示雷达点rk+n满足设定条件时,将雷达点rk+n加入雷达点rk所在的聚类集合;
聚类集合构建单元,用于当所述第一判断结果表示雷达点rk+n不满足设定条件时,构建雷达点rk+n的聚类集合。
作为另一实施例,所述特征参数提取模块203具体包括:
第二判断单元,用于判断第i个聚类集合的反射强度方差M2是否大于反射强度方差阈值,得到第二判断结果;
目标确定单元,用于当所述第二判断结果表示第i个聚类集合的反射强度方差M2大于反射强度方差阈值时,确定所述第i个聚类集合对应的目标不存在;
特征提取单元,用于当所述第二判断结果表示第i个聚类集合的反射强度方差M2不大于反射强度方差阈值时,确定所述第i个聚类集合对应的目标存在,提取第i个聚类集合对应的目标的特征参数。
作为另一实施例,所述匹配模块204具体包括:
质心距离计算单元,用于对于前一帧第i个聚类集合对应的目标Ti和当前帧第j个聚类集合对应的目标Tj,计算目标Ti与目标Tj之间的质心距离;
第三判断单元,用于判断目标Ti与目标Tj之间的质心距离是否小于列车最大时速,得到第三判断结果;
增加幅度计算单元,用于当所述第三判断结果表示目标Ti与目标Tj之间的质心距离小于列车最大时速时,计算目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度;
第四判断单元,用于判断目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度是否均大于设定比例,得到第四判断结果;
匹配成功确定单元,用于当所述第四判断结果表示目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度均大于设定比例时,确定目标Tj与目标Ti是同一目标,匹配成功;
匹配失败确定单元,用于当所述第三判断结果表示目标Ti与目标Tj之间的质心距离不小于列车最大时速时,或者当所述第四判断结果表示目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度或反射强度方差的增加幅度不大于设定比例时,确定目标Tj与目标Ti不是同一目标,匹配失败。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种障碍物检测方法,其特征在于,包括:
获取激光雷达点云数据;所述激光雷达点云数据由安装在列车上的单线激光雷达探测得到;
按照雷达点的序号顺序,结合设定的最大搜索范围对所述激光雷达点云数据进行聚类,得到多个聚类集合;具体过程为:对于雷达点rk,依次判断雷达点rk序号之后设定的最大搜索范围内的每一个雷达点rk+n是否满足设定条件,得到第一判断结果;所述设定条件为其中,rk,k+n为两个激光雷达点的距离,C0为激光雷达的最大误差,K为最大搜索范围,n为两个激光点间的序号差,n≤K,rmin={rk,rk+n},θ为激光雷达角分辨率,当所述第一判断结果表示雷达点rk+n满足设定条件时,将雷达点rk+n加入雷达点rk所在的聚类集合;当所述第一判断结果表示雷达点rk+n不满足设定条件时,构建雷达点rk+n的聚类集合;
根据所述聚类集合,提取当前帧每个聚类集合对应的目标的特征参数;所述特征参数包括雷达点的数量、平均方位角、平均距离、质心位置、平均反射强度和反射强度方差;
根据前一帧每个聚类集合对应的目标的特征参数,对当前帧所有的目标进行匹配;
当匹配成功时,将当前帧的目标确定为障碍物目标。
2.根据权利要求1所述的障碍物检测方法,其特征在于,所述获取激光雷达点云数据,之后还包括:
采用中值滤波算法对所述激光雷达点云数据进行平滑处理,去除孤立的噪点,得到预处理后的激光雷达点云数据。
3.根据权利要求1所述的障碍物检测方法,其特征在于,所述根据所述聚类集合,提取当前帧每个聚类集合对应的目标的特征参数,具体包括:
判断第j个聚类集合的反射强度方差M2是否大于反射强度方差阈值,得到第二判断结果;
当所述第二判断结果表示第j个聚类集合的反射强度方差M2大于反射强度方差阈值时,确定所述第j个聚类集合对应的目标不存在;
当所述第二判断结果表示第j个聚类集合的反射强度方差M2不大于反射强度方差阈值时,确定所述第j个聚类集合对应的目标存在,提取第j个聚类集合对应的目标的特征参数。
4.根据权利要求1所述的障碍物检测方法,其特征在于,所述根据前一帧每个聚类集合对应的目标的特征参数,对当前帧所有的目标进行匹配,具体包括:
对于前一帧第i个聚类集合对应的目标Ti和当前帧第j个聚类集合对应的目标Tj,计算目标Ti与目标Tj之间的质心距离;
判断目标Ti与目标Tj之间的质心距离是否小于列车最大时速,得到第三判断结果;
当所述第三判断结果表示目标Ti与目标Tj之间的质心距离小于列车最大时速时,计算目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度;
判断目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度是否均大于设定比例,得到第四判断结果;
当所述第四判断结果表示目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度均大于设定比例时,确定目标Tj与目标Ti是同一目标,匹配成功;
当所述第三判断结果表示目标Ti与目标Tj之间的质心距离不小于列车最大时速时,或者当所述第四判断结果表示目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度或反射强度方差的增加幅度不大于设定比例时,确定目标Tj与目标Ti不是同一目标,匹配失败。
5.一种障碍物检测***,其特征在于,包括:
激光雷达点云数据获取模块,用于获取激光雷达点云数据;所述激光雷达点云数据由安装在列车上的单线激光雷达探测得到;
聚类模块,用于按照雷达点的序号顺序,结合设定的最大搜索范围对所述激光雷达点云数据进行聚类,得到多个聚类集合;所述聚类模块具体包括:第一判断单元,用于对于雷达点rk,依次判断雷达点rk序号之后设定的最大搜索范围内的每一个雷达点rk+n是否满足设定条件,得到第一判断结果;所述设定条件为其中,rk,k+n为两个激光雷达点的距离,C0为激光雷达的最大误差,K为最大搜索范围,n为两个激光点间的序号差,n≤K,rmin={rk,rk+n},θ为激光雷达角分辨率,聚类集合更新单元,用于当所述第一判断结果表示雷达点rk+n满足设定条件时,将雷达点rk+n加入雷达点rk所在的聚类集合;聚类集合构建单元,用于当所述第一判断结果表示雷达点rk+n不满足设定条件时,构建雷达点rk+n的聚类集合;
特征参数提取模块,用于根据所述聚类集合,提取当前帧每个聚类集合对应的目标的特征参数;所述特征参数包括雷达点的数量、平均方位角、平均距离、质心位置、平均反射强度和反射强度方差;
匹配模块,用于根据前一帧每个聚类集合对应的目标的特征参数,对当前帧所有的目标进行匹配;
障碍物目标确定模块,用于当匹配成功时,将当前帧的目标确定为障碍物目标。
6.根据权利要求5所述的障碍物检测***,其特征在于,还包括:
预处理模块,用于获取激光雷达点云数据之后,采用中值滤波算法对所述激光雷达点云数据进行平滑处理,去除孤立的噪点,得到预处理后的激光雷达点云数据。
7.根据权利要求5所述的障碍物检测***,其特征在于,所述特征参数提取模块具体包括:
第二判断单元,用于判断第j个聚类集合的反射强度方差M2是否大于反射强度方差阈值,得到第二判断结果;
目标确定单元,用于当所述第二判断结果表示第j个聚类集合的反射强度方差M2大于反射强度方差阈值时,确定所述第j个聚类集合对应的目标不存在;
特征提取单元,用于当所述第二判断结果表示第j个聚类集合的反射强度方差M2不大于反射强度方差阈值时,确定所述第j个聚类集合对应的目标存在,提取第j个聚类集合对应的目标的特征参数。
8.根据权利要求5所述的障碍物检测***,其特征在于,所述匹配模块具体包括:
质心距离计算单元,用于对于前一帧第i个聚类集合对应的目标Ti和当前帧第j个聚类集合对应的目标Tj,计算目标Ti与目标Tj之间的质心距离;
第三判断单元,用于判断目标Ti与目标Tj之间的质心距离是否小于列车最大时速,得到第三判断结果;
增加幅度计算单元,用于当所述第三判断结果表示目标Ti与目标Tj之间的质心距离小于列车最大时速时,计算目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度;
第四判断单元,用于判断目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度是否均大于设定比例,得到第四判断结果;
匹配成功确定单元,用于当所述第四判断结果表示目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度和反射强度方差的增加幅度均大于设定比例时,确定目标Tj与目标Ti是同一目标,匹配成功;
匹配失败确定单元,用于当所述第三判断结果表示目标Ti与目标Tj之间的质心距离不小于列车最大时速时,或者当所述第四判断结果表示目标Ti到目标Tj的雷达点数量的增加幅度、平均反射强度的增加幅度或反射强度方差的增加幅度不大于设定比例时,确定目标Tj与目标Ti不是同一目标,匹配失败。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686755.4A CN110458055B (zh) | 2019-07-29 | 2019-07-29 | 一种障碍物检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686755.4A CN110458055B (zh) | 2019-07-29 | 2019-07-29 | 一种障碍物检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458055A CN110458055A (zh) | 2019-11-15 |
CN110458055B true CN110458055B (zh) | 2021-10-15 |
Family
ID=68483747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910686755.4A Active CN110458055B (zh) | 2019-07-29 | 2019-07-29 | 一种障碍物检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458055B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111123255A (zh) * | 2019-12-13 | 2020-05-08 | 意诺科技有限公司 | 对活动目标进行定位的方法、装置及*** |
CN112986973A (zh) * | 2019-12-18 | 2021-06-18 | 华为技术有限公司 | 距离测量方法和距离测量装置 |
CN113033586B (zh) * | 2019-12-24 | 2024-04-16 | 大富科技(安徽)股份有限公司 | 目标识别方法及设备 |
CN115308734A (zh) * | 2019-12-26 | 2022-11-08 | 华为技术有限公司 | 一种呼吸数据计算方法以及相关设备 |
CN112585553A (zh) * | 2020-02-26 | 2021-03-30 | 深圳市大疆创新科技有限公司 | 用于可移动平台的控制方法、可移动平台、设备和存储介质 |
CN111583257B (zh) * | 2020-05-28 | 2023-07-14 | 中国铁道科学研究院集团有限公司 | 铁路限界异物侵入检测方法、装置及*** |
CN111723866A (zh) * | 2020-06-19 | 2020-09-29 | 新石器慧通(北京)科技有限公司 | 点云聚类的方法及装置、无人车、可读存储介质 |
CN111913177A (zh) * | 2020-08-11 | 2020-11-10 | 中国原子能科学研究院 | 对目标物探测方法、装置以及存储介质 |
CN112257542B (zh) * | 2020-10-15 | 2024-03-15 | 东风汽车有限公司 | 障碍物感知方法、存储介质及电子设备 |
CN112799397A (zh) * | 2020-12-26 | 2021-05-14 | 广州小马慧行科技有限公司 | 物体的检测方法、检测装置、车辆的控制方法与车辆*** |
CN112734810B (zh) * | 2021-04-06 | 2021-07-02 | 北京三快在线科技有限公司 | 一种障碍物追踪方法及装置 |
CN114387577A (zh) * | 2021-06-09 | 2022-04-22 | 深圳市速腾聚创科技有限公司 | 数据处理方法、装置及存储介质 |
US11624831B2 (en) | 2021-06-09 | 2023-04-11 | Suteng Innovation Technology Co., Ltd. | Obstacle detection method and apparatus and storage medium |
CN115685224A (zh) * | 2021-07-13 | 2023-02-03 | 华为技术有限公司 | 一种激光雷达点云聚类方法、装置、激光雷达及车辆 |
WO2023024087A1 (zh) * | 2021-08-27 | 2023-03-02 | 深圳市速腾聚创科技有限公司 | 处理激光雷达点云的方法、装置、设备及存储介质 |
CN115656982B (zh) * | 2022-12-13 | 2023-06-09 | 中国南方电网有限责任公司超高压输电公司广州局 | 水面杂波去除方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08124080A (ja) * | 1994-10-20 | 1996-05-17 | Honda Motor Co Ltd | 車両の障害物検出装置 |
CN104636763A (zh) * | 2014-12-01 | 2015-05-20 | 北京工业大学 | 一种基于无人驾驶车的道路与障碍物检测方法 |
CN104899855A (zh) * | 2014-03-06 | 2015-09-09 | 株式会社日立制作所 | 三维障碍物检测方法和装置 |
KR20160071162A (ko) * | 2014-12-11 | 2016-06-21 | 현대자동차주식회사 | 라이다를 이용한 멀티 오브젝트 추적 장치 및 그 방법 |
CN105866790A (zh) * | 2016-04-07 | 2016-08-17 | 重庆大学 | 一种考虑激光发射强度的激光雷达障碍物识别方法及*** |
CN106199558A (zh) * | 2016-08-18 | 2016-12-07 | 宁波傲视智绘光电科技有限公司 | 障碍物快速检测方法 |
CN110018496A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 障碍物识别方法及装置、电子设备、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2018008986A (es) * | 2016-01-22 | 2018-11-19 | Nissan Motor | Metodo y dispositivo de asistencia a la conduccion. |
-
2019
- 2019-07-29 CN CN201910686755.4A patent/CN110458055B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08124080A (ja) * | 1994-10-20 | 1996-05-17 | Honda Motor Co Ltd | 車両の障害物検出装置 |
CN104899855A (zh) * | 2014-03-06 | 2015-09-09 | 株式会社日立制作所 | 三维障碍物检测方法和装置 |
CN104636763A (zh) * | 2014-12-01 | 2015-05-20 | 北京工业大学 | 一种基于无人驾驶车的道路与障碍物检测方法 |
KR20160071162A (ko) * | 2014-12-11 | 2016-06-21 | 현대자동차주식회사 | 라이다를 이용한 멀티 오브젝트 추적 장치 및 그 방법 |
CN105866790A (zh) * | 2016-04-07 | 2016-08-17 | 重庆大学 | 一种考虑激光发射强度的激光雷达障碍物识别方法及*** |
CN106199558A (zh) * | 2016-08-18 | 2016-12-07 | 宁波傲视智绘光电科技有限公司 | 障碍物快速检测方法 |
CN110018496A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 障碍物识别方法及装置、电子设备、存储介质 |
Non-Patent Citations (2)
Title |
---|
使用AWR1642的短距离雷达参考设计;TI;《https://www.ti.com/cn/lit/ug/zhcu247b/zhcu247b.pdf?ts=1623983557303&ref_url=https%253A%252F%252Fminerva.shuu.cf%252F》;20180131;第1-19页 * |
基于单线激光雷达的障碍物检测与跟踪研究;庄秀华;《中国优秀硕士学位论文全文数据库信息科技辑》;20150315;第16-44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110458055A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458055B (zh) | 一种障碍物检测方法及*** | |
CN106991389B (zh) | 确定道路边沿的装置和方法 | |
CN103792532B (zh) | 一种单脉冲高精度测角***及其测角方法 | |
CN104714225B (zh) | 一种基于广义似然比的动态规划检测前跟踪方法 | |
US10101448B2 (en) | On-board radar apparatus and region detection method | |
CN107942329B (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
CN109188430B (zh) | 一种基于地面监视雷达***的目标提取方法 | |
CN113256990B (zh) | 基于聚类算法的雷达采集道路车辆信息的方法及*** | |
CN112462368B (zh) | 一种障碍物检测方法、装置、车辆及存储介质 | |
CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
CN104062651A (zh) | 一种基于g0杂波背景及恒定目标幅度的检测前跟踪方法 | |
CN110599800A (zh) | 一种停车场车位状态监测***及监测方法 | |
CN114814832A (zh) | 基于毫米波雷达的人体跌倒行为实时监测***及监测方法 | |
CN112070802B (zh) | 一种目标跟踪方法、装置、设备及计算机可读存储介质 | |
CN110988856B (zh) | 一种基于密度聚类的目标检测点迹凝聚算法 | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
CN110426692B (zh) | 参差加抖动中重频pd模式点迹提取方法 | |
CN110221289A (zh) | 用于三坐标有源相控阵雷达的目标检测方法 | |
CN109389643B (zh) | 车位主方向判断方法、***以及存储介质 | |
CN103149591B (zh) | 基于卡尔曼滤波的地震反射同相轴自动拾取方法 | |
CN116224280B (zh) | 雷达目标检测方法、装置、雷达设备及存储介质 | |
CN114415180B (zh) | 一种融合sar高分辨图像与一维距离像的稳定跟踪方法 | |
CN118351331A (zh) | 一种目标边缘检测与识别方法、***及存储介质 | |
KR102159320B1 (ko) | 3차원 라이다를 활용한 물체 인식 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |