CN112348000A - 障碍物识别方法、装置、***及存储介质 - Google Patents

障碍物识别方法、装置、***及存储介质 Download PDF

Info

Publication number
CN112348000A
CN112348000A CN202110016671.7A CN202110016671A CN112348000A CN 112348000 A CN112348000 A CN 112348000A CN 202110016671 A CN202110016671 A CN 202110016671A CN 112348000 A CN112348000 A CN 112348000A
Authority
CN
China
Prior art keywords
detection
area
clustering
overlapped
obstacle
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.)
Pending
Application number
CN202110016671.7A
Other languages
English (en)
Inventor
陈伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Imotion Automotive Technology Suzhou Co Ltd
Original Assignee
Imotion Automotive Technology Suzhou Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Imotion Automotive Technology Suzhou Co Ltd filed Critical Imotion Automotive Technology Suzhou Co Ltd
Priority to CN202110016671.7A priority Critical patent/CN112348000A/zh
Publication of CN112348000A publication Critical patent/CN112348000A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种障碍物识别方法、装置、***及存储介质，属于图像处理技术领域，该方法包括：获取预设感兴趣区域内的多组点云数据；对所述预设感兴趣区域内的每一组点云数据，在有效检测范围内进行区域划分，得到多个相互重叠的检测区域；对各所述检测区域内的点云进行欧式聚类，得到各所述检测区域内的聚类结果；对每一个所述检测区域内的聚类结果进行融合，得到障碍物识别结果。可以解决现有障碍物识别算法无法准确识别目标障碍物的问题。

Description

障碍物识别方法、装置、***及存储介质
技术领域
本申请涉及障碍物识别方法、装置、***及存储介质，属于图像处理技术领域。
背景技术
无人驾驶车辆是一种新型的智能汽车，主要通过控制装置(即，车载智能大脑)对车辆中各个部分进行精准的控制与计算分析，并最终通过向ECU(ElectronicControlUnit，电子控制单元)发出指令来分别控制无人驾驶车辆中的不同设备，从而实现车辆的全自动运行，达到车辆无人驾驶的目的。无人驾驶车辆设置有避障***，通过检测识别障碍物，有效地避开障碍物行驶。
现有技术对于障碍物的检测，是通过激光雷达进行障碍物扫描，获得障碍物的点云数据，并通过欧式聚类的方法检测障碍物目标位置。激光雷达采样得到的点云数据呈现出近处点云密集，远处点云稀疏的特点。欧式聚类的原理是通过KDTree做近邻搜索，得到k个离当前点最近的点，如果搜索得到的点与当前点的距离小于设定的阈值，则归为同一类。
但是，因为点云近密远稀的特性，在对点云数据进行聚类时，如果聚类阈值设置过小，则远处物体无法聚成同一类；如果聚类阈值设置过大，则近处多个物体会被聚成一个，即使对不同距离，设置不同聚类阈值进行分段聚类，也会造成跨区域的目标被聚类成多个的问题。
发明内容
本申请提供了一种障碍物识别方法、装置、***及存储介质，可以解决现有障碍物识别算法无法准确识别目标障碍物的问题。
本申请提供如下技术方案：
本申请实施例的第一方面，提供了一种障碍物识别方法，所述方法包括：
获取预设检测范围内的多组点云数据；
对所述预设检测范围内的每一组点云数据，在对应检测范围内进行区域划分，得到多个重叠的检测区域；
对各所述检测区域内的点云进行欧式聚类，得到各所述检测区域内的聚类结果；
对每一个所述检测区域内的聚类结果进行融合，得到障碍物识别结果。
本申请实施例的第二方面，提供了一种自动驾驶车辆的障碍物识别装置，所述装置包括：
数据获取模块，用于获取预设检测范围内的多组点云数据；
区域划分模块，用于对所述预设检测范围内的每一组点云数据，在对应检测范围内进行区域划分，得到多个重叠的检测区域；
聚类分析模块，用于对各所述检测区域内的点云进行欧式聚类，得到各所述检测区域内的聚类结果；
识别模块，用于对每一个所述检测区域内的聚类结果进行融合，得到障碍物识别结果。
本申请实施例的第三方面，提供了一种障碍物识别***，所述***包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行，以实现本申请实施例第一方面所述的障碍物识别方法。
本申请实施例的第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时，用于实现本申请实施例1所述的障碍物识别方法。
本申请的有益效果在于：本申请实施例通过划分重叠式检测区域，最终将每个检测区域内聚类的目标轮廓，根据相互重叠的面积大小进行融合，既解决了全局聚类导致近处和远处距离阈值无法统一的问题，也解决了分段聚类跨区域目标被拆分的问题，达到较好的聚类效果，准确识别目标障碍物。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的障碍物识别***的结构示意图；
图2是本申请一个实施例提供的障碍物识别方法的流程图；
图3是本申请一个实施例提供的区域划分示意图；
图4是本申请一个实施例提供的不同距离位置处检测区域的示意图；
图5是本申请一个实施例提供的聚类结果示意图；
图6是本申请一个实施例提供的障碍物识别装置的框图；
图7是本申请一个实施例提供的障碍物识别***的框图。
具体实施方式
下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
图1是本申请一个实施例提供的障碍物检测***的网络构架图，所述障碍物检测***可以安装于无人驾驶车辆中，用于障碍物检测。无人驾驶车辆在行驶过程中，需要设置障碍物识别***，来检测车辆行驶方向的前方是否有障碍物，以便及时躲避。
如图1所示，本申请实施例的障碍物检测***，包括：激光雷达1和障碍物检测设备2，所述激光雷达扫描仪与障碍物检测设备2建立网络连接，所述障碍物检测设备2可以为车载电脑。
本申请实施例图1所示的障碍物检测***的工作过程如下：
无人驾驶车辆开启障碍物检测功能后，激光雷达1开始工作，发射激光进行障碍物扫描；
当激光雷达1扫描到障碍物后，输出点云数据给障碍物检测设备2；
所述障碍物检测设备2获取预设检测范围内的多组点云数据；
所述障碍物检测设备2对所述预设检测范围内的每一组点云数据，进行区域划分，得到多个相互重叠的检测区域；
所述障碍物检测设备2对各所述检测区域内的点云进行欧式聚类，得到各所述检测区域内的聚类结果；
所述障碍物检测设备2对每一个所述检测区域内的聚类结果进行融合，得到障碍物识别结果。
图2是本申请一个实施例提供的障碍物识别方法的流程图，本实施例以该方法应用于图1所示的障碍物检测***中，且各个步骤的执行主体为该***中的障碍物检测设备为例进行说明。该方法至少包括以下几个步骤：
S201:获取预设检测范围内的多组点云数据；
本实施例通过激光雷达发射若干激光束，若遇到障碍物，则会被障碍物反射，被障碍物表面反射回的点的集合，即为点云，点云中的每个点包含该点的三维坐标（相对激光雷达的位置）和激光反射强度。因此，根据获取的点云数据即可检测障碍物的位置和距离。
检测范围是提前设定的感兴趣区域，就是从整个数据块中选择一个区域，该区域作为数据分析所关注的焦点。
S202:对所述检测范围内的每一组点云数据，进行区域划分，得到多个相互重叠的检测区域；
将检测范围内的每一组点云数据，沿纵向，按照预设距离段，采用区域重叠的方式，进行距离区域的划分，得到多个重叠的检测区域，同一个点可以归到不同的检测区域中。
参考图3，X方向为纵向，X方向上距离的检测范围为0-50米，划分为4个重叠的检测区域，即：将0-20米的距离区域设为检测区域1，将10-30米的距离区域设为检测区域2，将20-40米的距离区域设为检测区域3，将30-50米的距离区域设为检测区域4，由图3可知，4个检测区域相互重叠。
S203:对各所述检测区域内的点云进行欧式聚类，得到各所述检测区域的聚类结果。
具体地，本实施例进行欧式聚类之前，首先，根据针对不同距离位置处的检测区域，设置不同的聚类阈值。
如图4所示，例如，一个检测范围内检测到的三个目标区域（S1、S2、S3）分别处于检测范围内的不同距离位置处，距离越近的目标区域，其内部点集相互距离也越近，而距离越远的目标区域，其内部点集相互距离也越远，参见图4，S1内部点集的相互距离最近，S3内部点集的相互距离最远。S3所在的检测区域，设置的聚类阈值最大，S2其次，S1最小。
本申请实施例针对不同距离位置处的检测区域，设置不同的聚类阈值，并采用多线程的方式同时聚类，采用多线程的方式对多个检测区域同时聚类，提高效率。
S204:对每一个所述检测区域的聚类结果进行融合，得到障碍物识别结果。
具体地，本申请实施例对每一个所述检测区域内的聚类结果进行融合，得到障碍物识别结果，包括：
对每个聚类结果进行多边形拟合，得到每一个所述检测区域内的目标轮廓；
计算各所述目标轮廓之间相互重叠的区域面积；
如果所述相互重叠的区域面积大于预设值，则将两个重叠的目标轮廓中的点云合并，重新进行多边形拟合，得到障碍物识别结果。
参见图5，采用普通分段方法会造成跨区间的目标被聚类成2个的问题，如左图真实目标P在区域1中被检测成目标P1，在区域2中被检测成目标P2。
而采用重叠式分段方法，如右图真实目标P在区域1中被检测成目标P1，在区域2中被检测成目标P2，在区域3中被检测成目标P3，然后计算目标之间相互重叠区域面积，如果大于预设值，则将两个重叠的多边形中点云合并，重新进行多边形拟合，最终融合得到真实目标框，输出障碍物识别结果。
综上所述，本申请实施例通过划分重叠式检测区域，最终将每个检测区域内聚类的目标轮廓，根据相互重叠的面积大小进行融合，既解决了全局聚类导致近处和远处距离阈值无法统一的问题，也解决了分段聚类跨区域目标被拆分的问题，达到较好的聚类效果。
图6是本申请一个实施例提供的障碍物识别装置的框图，本实施例以该装置应用于图1所示的障碍物检测***中的障碍物检测设备为例进行说明。该装置至少包括以下几个模块：
数据获取模块，用于获取预设检测范围内的多组点云数据；
区域划分模块，用于对所述预设检测范围内的每一组点云数据，进行区域划分，得到多个重叠的检测区域；
聚类分析模块，用于对各所述检测区域内的点云进行欧式聚类，得到各所述检测区域内的聚类结果；
识别模块，用于对每一个所述检测区域内的聚类结果进行融合，得到障碍物识别结果。
进一步地，所述区域划分模块在对应检测范围内进行区域划分，得到多个重叠的检测区域，包括：
在对应检测范围内，沿纵向，按照预设距离段，采用区域重叠的方式，进行距离区域的划分，得到多个重叠的检测区域。
进一步地，所述识别模块，包括：
拟合单元，用于对每个聚类结果进行多边形拟合，得到每一个所述检测区域内的目标轮廓；
计算单元，用于计算各所述目标轮廓之间相互重叠的区域面积；
判定单元，用于如果所述相互重叠的区域面积大于预设值，则将两个重叠的目标轮廓中的点云合并，重新进行多边形拟合，得到障碍物识别结果。
本实施例障碍物识别装置的相关细节参考上述方法实施例。
需要说明的是：上述实施例中提供的障碍物识别装置在进行障碍物识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将障碍物识别装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的障碍物识别装置与障碍物识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图7是本申请一个实施例提供的障碍物识别***的框图，该***可以是平板电脑、笔记本电脑、台式电脑或服务器。障碍物识别***至少包括处理器和存储器。
处理器可以包括一个或多个处理核心，比如：4核心处理器、6核心处理器等。处理器可以采用DSP（Digital Signal Processing，数字信号处理）、FPGA（Field－Programmable Gate Array，现场可编程门阵列）、PLA（Programmable Logic Array，可编程逻辑阵列）中的至少一种硬件形式来实现。处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU（Central Processing Unit，中央处理器）；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU（Graphics Processing Unit，图像处理器）， GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器还可以包括AI（Artificial Intelligence，人工智能）处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器所执行以实现本申请中方法实施例提供的障碍物识别方法。
在一些实施例中，障碍物识别***还可选包括有：***设备接口和至少一个***设备。处理器、存储器和***设备接口之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口相连。示意性地，***设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。
当然，障碍物识别***还可以包括更少或更多的组件，本实施例对此不作限定。
可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的障碍物识别方法的步骤。
可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的障碍物识别方法的步骤。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种障碍物识别方法，其特征在于，所述方法包括：
获取预设检测范围内的多组点云数据；
对所述预设检测范围内的每一组点云数据，进行区域划分，得到多个重叠的检测区域；
对各所述检测区域内的点云进行欧式聚类，得到各所述检测区域内的聚类结果；
对每一个所述检测区域内的聚类结果进行融合，得到障碍物识别结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述预设检测范围内的每一组点云数据，进行区域划分，得到多个重叠的检测区域，包括：
在对应检测范围内，沿纵向，按照预设距离段，采用区域重叠的方式，进行距离区域的划分，得到多个重叠的检测区域。
3.根据权利要求1所述的方法，其特征在于，所述对各所述检测区域内的点云进行欧式聚类，包括：
对各所述检测区域内的点云，采用多线程同时进行欧式聚类。
4.根据权利要求2所述的方法，其特征在于，所述对各所述检测区域内的点云进行欧式聚类之前，还包括：
根据所述检测区域的距离位置大小，为各所述检测区域设置不同的聚类阈值。
5.根据权利要求1所述的方法，其特征在于，所述对每一个所述检测区域内的聚类结果进行融合，得到障碍物识别结果，包括：
对每个聚类结果进行多边形拟合，得到每一个所述检测区域内的目标轮廓；
计算各所述目标轮廓之间相互重叠的区域面积；
如果所述相互重叠的区域面积大于预设值，则将两个重叠的目标轮廓中的点云合并，重新进行多边形拟合，最终得到障碍物识别结果。
6.一种障碍物识别装置，其特征在于，所述装置包括：
数据获取模块，用于获取预设检测范围内的多组点云数据；
区域划分模块，用于对所述预设检测范围内的每一组点云数据，进行区域划分，得到多个重叠的检测区域；
聚类分析模块，用于对各所述检测区域内的点云进行欧式聚类，得到各所述检测区域内的聚类结果；
识别模块，用于对每一个所述检测区域内的聚类结果进行融合，得到障碍物识别结果。
7.根据权利要求6所述的装置，其特征在于，所述区域划分模块在对应检测范围内进行区域划分，得到多个重叠的检测区域，包括：
在对应检测范围内，沿纵向，按照预设距离段，采用区域重叠的方式，进行距离区域的划分，得到多个重叠的检测区域。
8.根据权利要求6所述的装置，其特征在于，所述识别模块，包括：
拟合单元，用于对每个聚类结果进行多边形拟合，得到每一个所述检测区域内的目标轮廓；
计算单元，用于计算各所述目标轮廓之间相互重叠的区域面积；
判定单元，用于如果所述相互重叠的区域面积大于预设值，则将两个重叠的目标轮廓中的点云合并，重新进行多边形拟合，最终得到障碍物识别结果。
9.一种障碍物识别***，所述***包括处理器和存储器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序由所述处理器加载并执行，以实现如权利要求1至5任一项所述的障碍物识别方法。
10.一种计算机可读存储介质，所述存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，用于实现如权利要求1至5任一项所述的障碍物识别方法。
CN202110016671.7A 2021-01-07 2021-01-07 障碍物识别方法、装置、***及存储介质 Pending CN112348000A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110016671.7A CN112348000A (zh) 2021-01-07 2021-01-07 障碍物识别方法、装置、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110016671.7A CN112348000A (zh) 2021-01-07 2021-01-07 障碍物识别方法、装置、***及存储介质

Publications (1)

Publication Number Publication Date
CN112348000A true CN112348000A (zh) 2021-02-09

Family

ID=74427996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110016671.7A Pending CN112348000A (zh) 2021-01-07 2021-01-07 障碍物识别方法、装置、***及存储介质

Country Status (1)

Country Link
CN (1) CN112348000A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030896A (zh) * 2021-03-10 2021-06-25 森思泰克河北科技有限公司 雷达目标聚类方法、装置和电子设备
CN115308771A (zh) * 2022-10-12 2022-11-08 深圳市速腾聚创科技有限公司 障碍物的检测方法及装置、介质及电子设备
CN115792945A (zh) * 2023-01-30 2023-03-14 智道网联科技(北京)有限公司 一种浮空障碍物检测方法、装置和电子设备、存储介质
WO2023179207A1 (zh) * 2022-03-22 2023-09-28 追觅创新科技(苏州)有限公司 地图的处理方法、装置、清洁设备、存储介质及电子装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180129888A1 (en) * 2016-11-04 2018-05-10 X Development Llc Intuitive occluded object indicator
CN108152831A (zh) * 2017-12-06 2018-06-12 中国农业大学 一种激光雷达障碍物识别方法及***
CN111079596A (zh) * 2019-12-05 2020-04-28 国家海洋环境监测中心 高分辨率遥感影像的海上典型人造目标识别***及方法
CN111160302A (zh) * 2019-12-31 2020-05-15 深圳一清创新科技有限公司 基于自动驾驶环境的障碍物信息识别方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180129888A1 (en) * 2016-11-04 2018-05-10 X Development Llc Intuitive occluded object indicator
CN108152831A (zh) * 2017-12-06 2018-06-12 中国农业大学 一种激光雷达障碍物识别方法及***
CN111079596A (zh) * 2019-12-05 2020-04-28 国家海洋环境监测中心 高分辨率遥感影像的海上典型人造目标识别***及方法
CN111160302A (zh) * 2019-12-31 2020-05-15 深圳一清创新科技有限公司 基于自动驾驶环境的障碍物信息识别方法和装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030896A (zh) * 2021-03-10 2021-06-25 森思泰克河北科技有限公司 雷达目标聚类方法、装置和电子设备
WO2023179207A1 (zh) * 2022-03-22 2023-09-28 追觅创新科技(苏州)有限公司 地图的处理方法、装置、清洁设备、存储介质及电子装置
CN115308771A (zh) * 2022-10-12 2022-11-08 深圳市速腾聚创科技有限公司 障碍物的检测方法及装置、介质及电子设备
CN115308771B (zh) * 2022-10-12 2023-03-14 深圳市速腾聚创科技有限公司 障碍物的检测方法及装置、介质及电子设备
CN115792945A (zh) * 2023-01-30 2023-03-14 智道网联科技(北京)有限公司 一种浮空障碍物检测方法、装置和电子设备、存储介质

Similar Documents

Publication Publication Date Title
Zermas et al. Fast segmentation of 3d point clouds: A paradigm on lidar data for autonomous vehicle applications
CN112348000A (zh) 障碍物识别方法、装置、***及存储介质
US20210333108A1 (en) Path Planning Method And Device And Mobile Device
US10366310B2 (en) Enhanced camera object detection for automated vehicles
CN111598034B (zh) 障碍物检测方法、装置及存储介质
WO2021072696A1 (zh) 目标检测与跟踪方法、***、可移动平台、相机及介质
CN116129376A (zh) 一种道路边缘检测方法和装置
CN108509820B (zh) 障碍物分割方法及装置、计算机设备及可读介质
WO2022099530A1 (zh) 点云数据运动分割方法、装置、计算机设备和存储介质
US20230386076A1 (en) Target detection method, storage medium, electronic device, and vehicle
JP2016148547A (ja) 検知装置
CN112505652B (zh) 目标检测方法、装置及存储介质
CN111913177A (zh) 对目标物探测方法、装置以及存储介质
CN111308500A (zh) 基于单线激光雷达的障碍物感知方法、装置和计算机终端
CN114882701B (zh) 车位检测方法、装置、电子设备及机器可读存储介质
KR20220169727A (ko) 라이다 센서를 이용한 객체 추적 장치 및 방법과, 이 방법을 실행하기 위한 프로그램을 기록한 기록 매체
KR20200087354A (ko) 자율주행용 데이터 라벨링 장치 및 방법
CN114460598A (zh) 一种目标识别方法、装置、设备及存储介质
CN115346192A (zh) 基于多源传感器感知的数据融合方法、***、设备及介质
CN115147333A (zh) 一种目标检测方法及装置
CN113611112B (zh) 一种目标关联方法、装置、设备及存储介质
CN117291840A (zh) 巡逻机器人的点云噪声过滤方法、装置、介质及设备
CN111912418A (zh) 删除移动载体不可行驶区域内障碍物的方法、装置及介质
Morales Rosales et al. On-road obstacle detection video system for traffic accident prevention
Wu et al. Commonsense Prototype for Outdoor Unsupervised 3D Object Detection

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210209