CN113820682A - 一种基于毫米波雷达的目标检测方法及装置 - Google Patents

一种基于毫米波雷达的目标检测方法及装置 Download PDF

Info

Publication number
CN113820682A
CN113820682A CN202111133796.4A CN202111133796A CN113820682A CN 113820682 A CN113820682 A CN 113820682A CN 202111133796 A CN202111133796 A CN 202111133796A CN 113820682 A CN113820682 A CN 113820682A
Authority
CN
China
Prior art keywords
wave radar
millimeter wave
axis
point cloud
data
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.)
Granted
Application number
CN202111133796.4A
Other languages
English (en)
Other versions
CN113820682B (zh
Inventor
杨洲
李洋
徐兴
段洁利
张志宏
余家祥
谭显森
蒋婷婷
袁浩天
黄广生
张汉尧
王昭锐
谢博伟
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.)
South China Agricultural University
Original Assignee
South China Agricultural University
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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202111133796.4A priority Critical patent/CN113820682B/zh
Publication of CN113820682A publication Critical patent/CN113820682A/zh
Application granted granted Critical
Publication of CN113820682B publication Critical patent/CN113820682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于毫米波雷达的目标检测方法及装置，其中的方法包括以下步骤：(1)通过数据采集模块进行数据采集，将数据融合为三维点云集；(2)去除三维点云集中的非靶标点云；(3)对三维点云集中的地面点云进行拟合、分割；(4)设置聚类的点密度阈值，采用自适应模型判断三维点云集中的所有数据点是否为核心点；(5)基于步骤(4)所确定的核心点，采用DBSCAN算法进行核心点聚类，最终完成采集数据中的目标识别。本发明采用自适应模型，对三维点云集中的数据点进行核心点判断，针对每个数据点单独匹配建立自适应模型，具有针对性强、适应性好以及精度高等优点，有效提高利用毫米波雷达进行的目标检测精度，避免目标误判等情况的出现。

Description

一种基于毫米波雷达的目标检测方法及装置
技术领域
本发明涉及一种目标检测技术，具体涉及一种基于毫米波雷达的目标检测方法及装置。
背景技术
随着雷达技术的发展和进步，毫米波雷达突破体积、功耗和成本等限制，在靶标识别领域崭露头角，特别是在汽车电子、人体识别和智慧交通等方面取得了重要的成果。但是在农业应用方面，毫米波雷达相关研究较少，但其具有不受天气影响、全天时、全天候和穿透水雾、烟尘的能力，非常适合应用在恶劣的农业、工业等恶劣的作业环境中。
同时，随着相关研究的深入，毫米波雷达的精度和分辨率都有了大幅度的提高，相应的关于毫米波雷达点云算法的研究逐渐增加，毫米波雷达点云具有噪点少、穿透性强、精度高的特点。现阶多使用基于密度的聚类算法进行处理，该算法不需要预先设置聚类数，可以通过区分不同区域点云的密度，识别不同目标，具有处理任意大小和形状数据集的能力，因此特别适合未知数据集的聚类。
但是，基于密度的聚类算法需要不断的人为寻找全局参数，自适应性差。例如传统的DBSCAN算法，通过识别点云中不同区域的核心点密度来区分目标，所以核心点的确定是该算法的核心；而传统得DBSCAN算法需要人工输入Eps邻域和密度阈值MinPts两个全局参数来确定核心点，并通过实际检测结果不断地进行调整，以确定合适的Eps邻域和密度阈值MinPts两个全局参数；具体地，即以点云中任一点A为圆心，Eps为半径，做一个球体，若球体内包含的点云数量大于密度阈值MinPts，则点A被定义为核心点。但是，若目标距离毫米波雷达越远，所生成的点云越少，所以同一目标靠近毫米波雷达一侧的点云密度较高，远离毫米波雷达一侧的点云密度较低，且距离越远，密度越低。此时由于同一目标的点云密度差异大，导致算法会将同一目标误判为多个目标；同时，毫米波雷达在空间坐标系xyz轴方向上的分辨率不同，所产生的点云密度也不相同，从而导致传统DBSCAN算法对毫米波雷达点云聚类识别的精度不高。
发明内容
本发明目的在于克服现有技术的不足，提供一种基于毫米波雷达的目标检测方法，该方法有利于提高毫米波雷达点云聚类识别的精度。
本发明的另一目的在于提供一种基于毫米波雷达的目标检测装置。
本发明的目的通过以下技术方案实现：
一种基于毫米波雷达的目标检测方法，其特征在于，包括以下步骤：
(1)通过数据采集模块进行采集，并将采集获取的数据融合为三维点云集；所述数据采集模块包括毫米波雷达；
(2)去除三维点云集中的非靶标点云；
(3)对三维点云集中的地面点云进行拟合、分割；
(4)设置聚类的点密度阈值，并采用自适应模型判断三维点云集中的所有数据点是否为核心点；其中：
所述自适应模型在空间中呈椭球型呈现，且该椭球中沿x轴的赤道半径、沿y轴的赤道半径以及沿z轴的极半径分别与毫米波雷达的x轴分辨率、y轴分辨率以及z轴分辨率关联设置；
(5)基于步骤(4)所确定的核心点，采用DBSCAN算法进行核心点聚类，最终完成采集数据中的目标识别。
本发明的一个优选方案，步骤(4)中，所述自适应模型的建立如下：
将毫米波雷达的x轴分辨率记为δx，y轴分辨率记为δy，z轴分辨率记为δz；将所述x轴分辨率δx、y轴分辨率δy以及z轴分辨率δz的单位进行统一化处理，均采用距离表示，以便建立模型；
设待确定点A的坐标为(x1,y1,z1)，则在y轴方向上待确定点A到毫米波雷达的距离d为：
Figure BDA0003280340030000031
基于毫米波雷达的x轴分辨率δx和z轴分辨率δz，计算得出椭球沿x轴方向的赤道半径和沿z轴方向的极半径为：
Figure BDA0003280340030000032
以点A为原点，结合毫米波雷达的y轴分辨率δy，得出呈椭球型的自适应模型方程：
Figure BDA0003280340030000033
其中，hx为椭球沿x轴方向的赤道半径，δy为y轴方向的赤道半径，hz为沿z轴方向的极半径。
本发明的一个优选方案，在步骤(4)中，以毫米波雷达的数据刷新率T作为聚类的点密度阈值。
本发明的一个优选方案，在步骤(2)中，通过设置感兴趣区域方法实现去除三维点云集中的非靶标点云。
本发明的一个优选方案，在步骤(3)中，通过RANSAC算法对三维点云集中的地面点云进行拟合、分割。
本发明的一个优选方案，所述数据采集模块还包括IMU传感器以及旋转编码器。
一种基于毫米波雷达的目标检测装置，包括可移动平台、数据采集模块以及控制模块，所述数据采集模块包括毫米波雷达、IMU传感器以及旋转编码器，所述控制模块分别与毫米波雷达、IMU传感器以及旋转编码器电连接，所述控制模块将所述数据采集模块所采集的数据进行融合从而获取三维点云集。
优选地，所述旋转编码器设置在可移动平台的车轮上，所述旋转编码器与可移动平台的车轮同步转动。
优选地，所述毫米波雷达和IMU传感器通过固定板设置在所述可移动平台的侧面，且与所述可移动平台的平面垂直设置。
本发明与现有技术相比具有以下有益效果：
1、本发明采用自适应模型，对三维点云集中的数据点进行核心点判断，针对每个数据点单独匹配建立自适应模型，具有针对性强、适应性好以及精度高等优点，有效提高利用毫米波雷达进行的目标检测精度，避免目标误判等情况的出现。
2、结合DBSCAN算法，利用毫米波雷达的三个分辨率参数，建立呈椭球形的自适应模型，使得DBSCAN算法与毫米波雷达的点云聚类识别更加匹配，且相辅相成，从而更加有效发挥毫米波雷达点云噪点少、穿透性强、精度高的特点。
附图说明
图1-图2为本发明的基于毫米波雷达的目标检测方法的示意图，其中，图1为流程框图，图2为空间坐标以及模型构建的示意图。
具体实施方式
下面结合实施例和附图对本发明作进一步描述，但本发明的实施方式不仅限于此。
参见图1-图2，本实施例的基于毫米波雷达的目标检测方法，包括以下步骤：
(1)通过数据采集模块对环境数据进行采集，控制模块将采集获取的数据融合为三维点云集。所述数据采集模块包括毫米波雷达、IMU传感器以及旋转编码器。
(2)通过设置感兴趣区域方法去除三维点云集中的非靶标点云。
(3)通过RANSAC算法对三维点云集中的地面点云进行拟合、分割。
(4)以毫米波雷达的数据刷新率T作为聚类的点密度阈值，并采用自适应模型判断三维点云集中的所有数据点是否为核心点；其中，所述自适应模型在空间中呈椭球型呈现，且该椭球中沿x轴的赤道半径、沿y轴的赤道半径以及沿z轴的极半径分别与毫米波雷达的x轴分辨率、y轴分辨率以及z轴分辨率关联设置。具体地，自适应模型的构建如下：
如图2所示，将毫米波雷达的x轴分辨率记为δx，y轴分辨率记为δy，z轴分辨率记为δz；将所述x轴分辨率δx、y轴分辨率δy以及z轴分辨率δz的单位进行统一化处理，均采用距离表示，以便构建模型；
设待确定点A的坐标为(x1,y1,z1)，则在y轴方向上待确定点A到毫米波雷达的距离d为：
Figure BDA0003280340030000051
基于毫米波雷达的x轴分辨率δx和z轴分辨率δz，计算得出椭球沿x轴方向的赤道半径和沿z轴方向的极半径为：
Figure BDA0003280340030000052
以点A为原点，结合毫米波雷达的y轴分辨率δy，得出呈椭球型的自适应模型方程：
Figure BDA0003280340030000061
其中，hx为椭球沿x轴方向的赤道半径，δy为y轴方向的赤道半径，hz为沿z轴方向的极半径。
(5)基于步骤(4)所确定的核心点，采用DBSCAN算法进行核心点聚类，最终完成采集数据中的目标识别。在该步骤中，具体的核心点分类，可参见现有技术中传统的DBSCAN算法。简单地，当完成三维点云集中的核心点判断后，对核心点的密度进行区分，得出多个核心点集，此时再次利用自适应模型对每个核心点集中的每个核心点进行验证；若核心点集中的每个核心点的自适应模型中只包括该核心点集的核心点，则标出该核心点集为一个目标；若核心点集中的核心点的自适应模型中包括另一个核心点集的核心点，则将该两个核心点集标记为同一个目标。
本实施例的目标检测方法中，对三维点云集中的每个数据点单独自适应地进行自适应模型的建立，且针对每个数据点所建立的椭球模型的大小与该数据点与毫米波雷达的距离d相关(空间中所有与毫米波雷达距离为d的点的自适应模型相同，如图2中的点A和点A′)，因此能够很好地解决了同一个目标中距离毫米波雷达远近不同的点的判断，有效提高核心点的判断精度，从而能够更加精准地进行目标检测。与此同时，利用所使用的毫米波雷达的三个分辨率参数，建立呈椭球形的自适应模型，使得DBSCAN算法与毫米波雷达的点云聚类识别更加匹配，且相辅相成，从而更加有效发挥毫米波雷达点云噪点少、穿透性强、精度高的特点。进一步地，采用毫米波雷达的刷新率T值作为点密度阈值，即每秒对同一点刷新T次，则理论上针对该点所建立的椭球自适应模型中所接收到的点个数至少为T个；而采用T值作为点密度阈值，能够进一步与毫米波雷达匹配，此时的点密度阈值更加合适，若将点密度阈值设置为比T值小或大，均会出现错误判断的情况，其精度不可保证。
当然，也可根据实际情况，对所建立的椭球型的自适应模型进行扩大，即在建立自适应模型时，将毫米波雷达的分辨率数值进行n倍的扩大，此时n≥1，但此时对核心点的判断精度将会降低。
本实施例还公开一种基于毫米波雷达的目标检测装置，包括可移动平台、数据采集模块以及控制模块，所述数据采集模块包括毫米波雷达、IMU传感器以及旋转编码器，所述控制模块分别与毫米波雷达、IMU传感器以及旋转编码器电连接，所述控制模块将所述数据采集模块所采集的数据进行融合从而获取三维点云集。本实施例中，所述毫米波雷达和IMU传感器安装在同一固定板上，固定板垂直安装在可移动平台的一侧；同时，采用可开合的保护罩对毫米波雷达、IMU传感器和固定板进行封装。进一步地，毫米波雷达输出目标在空间中的三维信息，IMU传感器输出当前移动平台的位姿信息，旋转编码器输出移动平台的位移距离。本实施例中的所述旋转编码器设置在可移动平台的车轮上，所述旋转编码器与可移动平台的车轮同步转动。
另外，为进一步体现本实施例的基于毫米波雷达的目标检测方法在农业上的应用，具体以下应用例子，当然，也可应用在其他领域上。
为得到果园树木的生长情况，通过本实施例的目标检测装置，在某一排树木进行检测。本实施例的目标检测装置的可移动平台，在树木的一侧进行移动，通过设置在可移动平台一侧的毫米波雷达和IMU传感器进行树木在空间中的三维信息和当前可移动平台的位姿信息的输出，通过设置在可移动平台车轮上的旋转编码器输出可移动平台的位移信息，采集完毕后，通过控制模块将所采集的信息进行融合，得到三维点云集。此时，经过去除非靶标点云和拟合、分割等预处理后，采用本实施例中的自适应模型对三维点云集中的所有数据点进行核心点判断，并结合DBSCAN算法最终得出多个单个目标，即每棵树的点云。紧接着，通过图像识别处理或其他分析方法，对每棵树的点云进行分析，获取每棵树的各种参数，包括树冠、枝叶密度情况、高度等。
上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所做的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种基于毫米波雷达的目标检测方法，其特征在于，包括以下步骤：
(1)通过数据采集模块进行采集，并将采集获取的数据融合为三维点云集；所述数据采集模块包括毫米波雷达；
(2)去除三维点云集中的非靶标点云；
(3)对三维点云集中的地面点云进行拟合、分割；
(4)设置聚类的点密度阈值，并采用自适应模型判断三维点云集中的所有数据点是否为核心点；其中：
所述自适应模型在空间中呈椭球型呈现，且该椭球中沿x轴的赤道半径、沿y轴的赤道半径以及沿z轴的极半径分别与毫米波雷达的x轴分辨率、y轴分辨率以及z轴分辨率关联设置；
(5)基于步骤(4)所确定的核心点，采用DBSCAN算法进行核心点聚类，最终完成采集数据中的目标识别。
2.根据权利要求1所述的基于毫米波雷达的目标检测方法，其特征在于，步骤(4)中，所述自适应模型的建立如下：
将毫米波雷达的x轴分辨率记为δx，y轴分辨率记为δy，z轴分辨率记为δz；将所述x轴分辨率δx、y轴分辨率δy以及z轴分辨率δz的单位进行统一化处理，均采用距离表示，以便建立模型；
设待确定点A的坐标为(x1,y1,z1)，则在y轴方向上待确定点A到毫米波雷达的距离d为：
Figure FDA0003280340020000011
基于毫米波雷达的x轴分辨率δx和z轴分辨率δz，计算得出椭球沿x轴方向的赤道半径和沿z轴方向的极半径为：
Figure FDA0003280340020000021
以点A为原点，结合毫米波雷达的y轴分辨率δy，得出呈椭球型的自适应模型方程：
Figure FDA0003280340020000022
其中，hx为椭球沿x轴方向的赤道半径，δy为y轴方向的赤道半径，hz为沿z轴方向的极半径。
3.根据权利要求1或2所述的基于毫米波雷达的目标检测方法，其特征在于，在步骤(4)中，以毫米波雷达的数据刷新率T作为聚类的点密度阈值。
4.根据权利要求1所述的基于毫米波雷达的目标检测方法，其特征在于，在步骤(2)中，通过设置感兴趣区域方法实现去除三维点云集中的非靶标点云。
5.根据权利要求1所述的基于毫米波雷达的目标检测方法，其特征在于，在步骤(3)中，通过RANSAC算法三维点云集中的地面点云进行拟合、分割。
6.根据权利要求1所述的基于毫米波雷达的目标检测方法，其特征在于，所述数据采集模块还包括IMU传感器以及旋转编码器。
7.一种应用权利要求1-6任一项所述的基于毫米波雷达的目标检测方法的目标检测装置，其特征在于，包括可移动平台、数据采集模块以及控制模块，所述数据采集模块包括毫米波雷达、IMU传感器以及旋转编码器，所述控制模块分别与毫米波雷达、IMU传感器以及旋转编码器电连接，所述控制模块将所述数据采集模块所采集的数据进行融合从而获取三维点云集。
8.根据权利要求7所述的目标检测装置，其特征在于，所述旋转编码器设置在可移动平台的车轮上，所述旋转编码器与可移动平台的车轮同步转动。
9.根据权利要求7或8所述的目标检测装置，所述毫米波雷达和IMU传感器通过固定板设置在所述可移动平台的侧面，且与所述可移动平台的平面垂直设置。
CN202111133796.4A 2021-09-26 2021-09-26 一种基于毫米波雷达的目标检测方法及装置 Active CN113820682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111133796.4A CN113820682B (zh) 2021-09-26 2021-09-26 一种基于毫米波雷达的目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111133796.4A CN113820682B (zh) 2021-09-26 2021-09-26 一种基于毫米波雷达的目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN113820682A true CN113820682A (zh) 2021-12-21
CN113820682B CN113820682B (zh) 2023-08-18

Family

ID=78915647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111133796.4A Active CN113820682B (zh) 2021-09-26 2021-09-26 一种基于毫米波雷达的目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN113820682B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529939A (zh) * 2022-01-17 2022-05-24 华南理工大学 基于毫米波雷达点云聚类和深度学习的行人识别方法
CN114708585A (zh) * 2022-04-15 2022-07-05 电子科技大学 一种基于注意力机制的毫米波雷达与视觉融合的三维目标检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110361727A (zh) * 2019-07-22 2019-10-22 浙江大学 一种毫米波雷达多目标跟踪方法
CN110427986A (zh) * 2019-07-16 2019-11-08 浙江大学 一种基于毫米波雷达点云特征的核支持向量机目标分类方法
CN110568433A (zh) * 2019-09-09 2019-12-13 郑州天迈科技股份有限公司 基于毫米波雷达的高空抛物检测方法
CN111487646A (zh) * 2020-03-31 2020-08-04 安徽农业大学 一种玉米植株形态在线检测方法
US20210042999A1 (en) * 2018-11-06 2021-02-11 Tencent Technology (Shenzhen) Company Limited Method, device, and storage medium for segmenting three-dimensional object
JP2021043146A (ja) * 2019-09-13 2021-03-18 株式会社日立製作所 障害物検知システムおよび障害物検知方法
CN112529874A (zh) * 2020-12-14 2021-03-19 上海智蕙林医疗科技有限公司 基于三维雷达的障碍物检测方法、装置、介质和机器人
CN112526513A (zh) * 2021-02-10 2021-03-19 北方工业大学 基于聚类算法的毫米波雷达环境地图构建方法及装置
CN112837239A (zh) * 2021-02-01 2021-05-25 意诺科技有限公司 毫米波雷达的残影消除方法、装置及计算机可读介质
CN113009422A (zh) * 2021-03-01 2021-06-22 华南农业大学 基于毫米波雷达的果园目标检测装置及其检测方法
CN113269889A (zh) * 2021-06-04 2021-08-17 重庆大学 一种基于椭圆域的自适应点云目标聚类方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210042999A1 (en) * 2018-11-06 2021-02-11 Tencent Technology (Shenzhen) Company Limited Method, device, and storage medium for segmenting three-dimensional object
CN110427986A (zh) * 2019-07-16 2019-11-08 浙江大学 一种基于毫米波雷达点云特征的核支持向量机目标分类方法
CN110361727A (zh) * 2019-07-22 2019-10-22 浙江大学 一种毫米波雷达多目标跟踪方法
CN110568433A (zh) * 2019-09-09 2019-12-13 郑州天迈科技股份有限公司 基于毫米波雷达的高空抛物检测方法
JP2021043146A (ja) * 2019-09-13 2021-03-18 株式会社日立製作所 障害物検知システムおよび障害物検知方法
CN111487646A (zh) * 2020-03-31 2020-08-04 安徽农业大学 一种玉米植株形态在线检测方法
CN112529874A (zh) * 2020-12-14 2021-03-19 上海智蕙林医疗科技有限公司 基于三维雷达的障碍物检测方法、装置、介质和机器人
CN112837239A (zh) * 2021-02-01 2021-05-25 意诺科技有限公司 毫米波雷达的残影消除方法、装置及计算机可读介质
CN112526513A (zh) * 2021-02-10 2021-03-19 北方工业大学 基于聚类算法的毫米波雷达环境地图构建方法及装置
CN113009422A (zh) * 2021-03-01 2021-06-22 华南农业大学 基于毫米波雷达的果园目标检测装置及其检测方法
CN113269889A (zh) * 2021-06-04 2021-08-17 重庆大学 一种基于椭圆域的自适应点云目标聚类方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529939A (zh) * 2022-01-17 2022-05-24 华南理工大学 基于毫米波雷达点云聚类和深度学习的行人识别方法
CN114708585A (zh) * 2022-04-15 2022-07-05 电子科技大学 一种基于注意力机制的毫米波雷达与视觉融合的三维目标检测方法
CN114708585B (zh) * 2022-04-15 2023-10-10 电子科技大学 一种基于注意力机制的毫米波雷达与视觉融合的三维目标检测方法

Also Published As

Publication number Publication date
CN113820682B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN109444911B (zh) 一种单目相机和激光雷达信息融合的无人艇水面目标检测识别与定位方法
CN109100741B (zh) 一种基于3d激光雷达及图像数据的目标检测方法
CN110780305B (zh) 一种基于多线激光雷达的赛道锥桶检测及目标点追踪方法
WO2022141914A1 (zh) 一种基于雷视融合的多目标车辆检测及重识别方法
CN112101092A (zh) 自动驾驶环境感知方法及***
CN108171131B (zh) 基于改进MeanShift的Lidar点云数据道路标识线提取方法
CN113156421A (zh) 基于毫米波雷达和摄像头信息融合的障碍物检测方法
CN112396650A (zh) 一种基于图像和激光雷达融合的目标测距***及方法
CN112487919A (zh) 一种基于相机与激光雷达的3d目标检测与跟踪方法
CN111369541A (zh) 一种智能汽车恶劣天气条件下车辆检测方法
CN113820682B (zh) 一种基于毫米波雷达的目标检测方法及装置
CN114419152A (zh) 一种基于多维度点云特征的目标检测与跟踪方法及***
CN115943439A (zh) 一种基于雷视融合的多目标车辆检测及重识别方法
CN106683530A (zh) 一种基于三维激光视觉和高精度车道模型的计算机评判***和方法
CN108711172B (zh) 基于细粒度分类的无人机识别与定位方法
CN111123262B (zh) 自动驾驶3d建模方法、装置及***
CN114488190A (zh) 一种激光雷达3d点云地面检测方法
CN112800938B (zh) 无人驾驶车辆检测侧面落石发生的方法及装置
CN113409252B (zh) 一种架空输电线路巡检机器人障碍物检测方法
CN114782729A (zh) 一种基于激光雷达与视觉融合的实时目标检测方法
CN112379674A (zh) 一种自动驾驶设备及***
CN115620261A (zh) 基于多传感器的车辆环境感知方法、***、设备及介质
CN114821526A (zh) 基于4d毫米波雷达点云的障碍物三维边框检测方法
WO2023060632A1 (zh) 基于点云数据的街景地物多维度提取方法和***
CN116978009A (zh) 基于4d毫米波雷达的动态物体滤除方法

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