CN114199168A - 一种室内体积探测方法、装置、设备及介质 - Google Patents
一种室内体积探测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114199168A CN114199168A CN202111547113.XA CN202111547113A CN114199168A CN 114199168 A CN114199168 A CN 114199168A CN 202111547113 A CN202111547113 A CN 202111547113A CN 114199168 A CN114199168 A CN 114199168A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- determining
- detection
- detection model
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000007689 inspection Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 86
- 238000004891 communication Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003897 fog Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种室内体积探测方法、装置、设备及介质，其中，方法包括：确定毫米波雷达对目标空间进行探测得到的第一点云数据，其中，第一点云数据用于表示在目标空间内毫米波雷达与探测点之间的相对位置关系，探测点为目标空间内的遮挡物上的点；对第一点云数据进行聚类以获得第二点云数据；将第二点云数据输入预设检测模型进行平面检测，得到预设检测模型输出的目标空间的平面检测数据；利用平面检测数据确定目标空间的体积。本申请解决了目前没有对室内自适应测试室内体积的方法设备的问题。
Description
技术领域
本申请涉及数据检测技术领域，尤其涉及一种室内体积探测方法、装置、设备及介质。
背景技术
随着智能设备的发展，用户对智能设备的自适应控制性能也有了更高的要求，比如，空调根据室内体积来自适应调整制冷量或制热量的大小，包括供暖设备也是需要根据室内体积来调节输出功率，从而起到节能和舒适的作用，那么前提就是如何确定室内的体积，相关技术中没有对室内自适应测试室内体积的方法设备。
针对上述“没有对室内自适应测试室内体积的方法设备”的问题，目前尚未提出有效的解决方案。
发明内容
本申请提供了一种室内体积探测方法、装置、设备及介质，以解决上述“没有对室内自适应测试室内体积的方法设备”的问题。
根据本申请实施例的一个方面，本申请提供了一种室内体积探测方法，包括：确定毫米波雷达对目标空间进行探测得到的第一点云数据，其中，第一点云数据用于表示在目标空间内毫米波雷达与探测点之间的相对位置关系，探测点为目标空间内的遮挡物上的点；对第一点云数据进行聚类以获得第二点云数据；将第二点云数据输入预设检测模型进行平面检测，得到预设检测模型输出的目标空间的平面检测数据；利用平面检测数据确定目标空间的体积。
可选地，确定毫米波雷达对目标空间进行探测得到的第一点云数据包括：将毫米波雷达返回的回波信号转换为初始点云数据；利用每个初始点云数据相对毫米波雷达的距离、方位角以及仰角确定每个初始点云数据在极坐标系中的位置；按照极坐标系与三维坐标系的映射关系确定每个初始点云数据在三维坐标系中的位置；在三维坐标系中，滤除多普勒速度大于第一阈值的初始点云数据和信噪比小于第二阈值的初始点云数据，得到第一点云数据。
可选地，将第二点云数据输入预设检测模型进行平面检测之前，所述方法还包括按照如下方式训练预设检测模型：获取训练集，其中，训练集为预先获取的携带有位置标识的训练点云数据，位置标识用于标记训练点云数据的位置区域；将训练集输入初始检测模型进行训练，以获得训练结果；在训练结果指示初始检测模型对训练集的识别准确率达到目标阈值的情况下，将初始检测模型确定为预设检测模型；在训练结果指示初始检测模型对训练集的识别准确率未达到目标阈值的情况下，继续将训练集输入初始检测模型进行训练，直至初始检测模型对训练集的识别准确率达到目标阈值的情况下，将初始检测模型确定为预设检测模型。
可选地，所述方法还包括按照如下方式获取训练集：采集不同位置的原始数据并分别标记对应的位置标识；对原始数据进行预处理，以获得原始点云数据；对原始点云数据进行聚类以获得携带有位置标识的训练点云数据。
可选地，在训练结果指示初始检测模型对训练集的识别准确率未达到目标阈值的情况下，继续将训练集输入初始检测模型进行训练包括：将训练集输入初始检测模型进行检测，以获得预测结果；利用预测结果和位置标识的差异确定目标函数的损失值；按照损失值调整初始检测模型的网络参数，直至初始检测模型对训练集的识别准确率达到目标阈值的情况下，将初始检测模型确定为预设检测模型。
可选地，利用平面检测数据确定目标空间的体积包括：从平面检测数据中提取体积参数；按照体积参数确定目标空间的体积。
可选地，从平面检测数据中提取体积参数包括：将平面检测数据中X坐标值为负数且Y坐标值小于第三阈值的第一点云数据的聚类确定为左侧墙体，并将平面检测数据中X坐标值为正数且Y坐标值小于第三阈值的第一点云数据的聚类确定为右侧墙体，并将Y坐标值大于第三阈值的第一点云数据的聚类确定为前侧墙体；确定左侧墙体的X坐标值的第一平均值对应的第一绝对值与右侧墙体的X坐标值的第二平均值对应的第二绝对值，并将第一绝对值与第二绝对值的和确定为目标空间的长度值；确定前侧墙体的Y坐标值的第三平均值对应的第三绝对值，并将第三绝对值确定为目标空间的宽度值；确定屋顶的Z坐标值的第四平均值对应的第四绝对值与地面的Z坐标值的第五平均值对应的第五绝对值，并将第四绝对值与第五绝对值的和确定为目标空间的高度值。
根据本申请实施例的另一方面，本申请提供了一种室内体积探测装置，包括：获取模块，用于确定毫米波雷达对目标空间进行探测得到的第一点云数据，其中，第一点云数据用于表示在目标空间内毫米波雷达与探测点之间的相对位置关系，探测点为目标空间内的遮挡物上的点；聚类模块，用于对第一点云数据进行聚类以获得第二点云数据；检测模块，用于将第二点云数据输入预设检测模型进行平面检测，得到预设检测模型输出的目标空间的平面检测数据；确定模块，用于利用平面检测数据确定目标空间的体积。
根据本申请实施例的另一方面，本申请提供了一种电子设备，包括存储器、处理器、通信接口及通信总线，存储器中存储有可在处理器上运行的计算机程序，存储器、处理器通过通信总线和通信接口进行通信，处理器执行计算机程序时实现上述方法的步骤。
根据本申请实施例的另一方面，本申请还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述的方法。
本申请实施例提供的上述技术方案与相关技术相比具有如下优点：
本申请提供了一种室内体积探测方法，包括：确定毫米波雷达对目标空间进行探测得到的第一点云数据，其中，第一点云数据用于表示在目标空间内毫米波雷达与探测点之间的相对位置关系，探测点为目标空间内的遮挡物上的点；对第一点云数据进行聚类以获得第二点云数据；将第二点云数据输入预设检测模型进行平面检测，得到预设检测模型输出的目标空间的平面检测数据；利用平面检测数据确定目标空间的体积。本申请基于毫米波雷达探测目标空间的点云数据对目标空间进行墙面识别，并通过识别得到的墙体数据获取目标空间的体积参数，最终按照体积参数确定目标空间的体积，从而实现自适应测量室内体积，解决了目前没有对室内自适应测试室内体积的方法设备的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为根据本申请实施例提供的一种可选的室内体积探测方法的流程图；
图2为根据本申请实施例提供的一种可选的训练预设自编码模型的流程图；
图3为根据本申请实施例提供的一种可选的室内体积探测装置框图；
图4为本申请实施例提供的一种可选的电子设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
首先，在对本申请实施例进行描述的过程中出现的部分名词或者术语适用于如下解释：
毫米波雷达：工作在毫米波波段探测的雷达。通常毫米波是指30～300GHz频域(波长为1～10mm)的。毫米波的波长介于微波和厘米波之间，因此毫米波雷达兼有微波雷达和光电雷达的一些优点。与红外、激光、电视等光学导引头相比，毫米波导引头穿透雾、烟、灰尘的能力强，具有全天候(大雨天除外)全天时的特点，毫米波导引头的抗干扰、反隐身能力也优于其他微波导引头。
多普勒速度：应用多普勒原理测得的目标物相对于雷达径向的速度。
信噪比：英文名称叫做SNR或S/N(SIGNAL-NOISE RATIO)，又称为讯噪比。是指一个电子设备或者电子***中信号与噪声的比例。这里面的信号指的是来自设备外部需要通过这台设备进行处理的电子信号，噪声是指经过该设备后产生的原信号中并不存在的无规则的额外信号(或信息)，并且该种信号并不随原信号的变化而变化。
为了解决背景技术中提及的问题，根据本申请实施例的一方面，如图1所示，提供了一种室内体积探测方法的实施例，包括：
步骤11，确定毫米波雷达对目标空间进行探测得到的第一点云数据，其中，第一点云数据用于表示在目标空间内毫米波雷达与探测点之间的相对位置关系，探测点为目标空间内的遮挡物上的点；
步骤12，对第一点云数据进行聚类以获得第二点云数据；
步骤13，将第二点云数据输入预设检测模型进行平面检测，得到预设检测模型输出的目标空间的平面检测数据；
步骤14，利用平面检测数据确定目标空间的体积。
具体地，步骤11中通过毫米波雷达对目标空间进行探测，从而在整个目标空间内产生足够多的探测点，基于毫米波雷达返回的信号能够确定反映雷达与多个探测点的相对位置关系的第一点云数据，接着在步骤12中将第一点云数据进行聚类(例如，DBSCAN聚类)，以获得特征相似度较高的第二点云数据。
具体地，步骤13将第二点云数据输入预设检测模型进行平面检测，平面检测结果能够区分墙体数据、屋顶数据、地面数据及背景数据，其中，背景数据是目标空间内的干扰数据，将其识别出来也是为了减少无关数据的干扰。最后执行步骤14，利用平面检测数据确定目标空间的体积，具体是通过提取确定目标空间的体积所需要的多个体积参数，并结合多个体积参数共同确定目标空间的体积。
作为一种可选的实施例，确定毫米波雷达对目标空间进行探测得到的第一点云数据包括：将毫米波雷达返回的回波信号转换为初始点云数据；利用每个初始点云数据相对毫米波雷达的距离、方位角以及仰角确定每个初始点云数据在极坐标系中的位置；按照极坐标系与三维坐标系的映射关系确定每个初始点云数据在三维坐标系中的位置；在三维坐标系中，滤除多普勒速度大于第一阈值的初始点云数据和信噪比小于第二阈值的初始点云数据，得到第一点云数据。
可选地，第一点云数据是由毫米波雷达返回的回波信号进行预先处理得到的。首先毫米波雷达对返回的回波信号进行检测，确定探测点与毫米波雷达之间的距离、方位角、仰角、相对速度以及探测点的信噪比，以获得包括上述信息的初始点云数据。
具体地，利用每个初始点云数据相对毫米波雷达的距离、方位角以及仰角确定每个初始点云数据在极坐标系中的位置。每个初始点云数据对应的探测点都有对应的极坐标，示例地，用与地面平行的且包含毫米波雷达所在点的极坐标平面来建立一个极坐标系(包括X轴和Y轴)，以探测点与毫米波雷达作为端点的线段在极坐标平面的投影线段作为极径，以投影线段与X轴的夹角作为极角，通过三角函数来确定探测点对应的极坐标。
具体地，按照极坐标系与三维坐标系的映射关系确定每个初始点云数据在三维坐标系中的位也可以通过三角函数确定。在极坐标系中增加垂直于极坐标平面的Z坐标，以获得三维坐标系(X轴，Y轴，Z轴)。具体确定方法包括：极坐标系的极径与方位角的余弦值相乘为X轴上的坐标值，极坐标系的极径与方位角的正弦值相乘为Y轴上的坐标值，探测点与毫米波雷达的距离值与仰角的正弦值相乘为Z轴上的坐标值。例如，P点到毫米波雷达的距离为L，相对极坐标平面的仰角为Φ，方位角为Ψ，那么，P的极坐标为(LcosΦ，Ψ)，P点的极坐标对应的三维坐标为((LcosΦ)cosΨ，(LcosΦ)sinΨ，LsinΦ)。
本申请通过将点云数据转换成三维坐标的点并确定各自坐标，不仅理解起来更为直观，还为后续通过点云数据来提取体积参数提供了前提条件。
可选地，由于毫米波雷达的探测点是静止的才能保证探测的数据的可用性，如果探测到运动的点返回的信号会对方案实施结果产生干扰，所以要滤除探测点多普勒速度大于第一阈值(例如，0)的点的数据，例如，可以通过多普勒滤波器将多普勒速度大于0的滤除，从而得到多普勒速度为0的点云数据，即保证了探测点均为静止点。
可选地，信噪比为信号和噪声的有效功率之比，噪声是信号中的干扰因素之一，信噪比越高表示信号的占比越多，信噪比越低表示信号的占比越少，所以信噪比越高越好，本方案中将信噪比小于第二阈值的探测点滤除。其中，第二阈值的确定方法包括：获取目标空间的墙体数据、屋顶数据及地面数据，其中，墙体数据、屋顶数据及地面数据均携带信噪比；分别确定墙体数据、屋顶数据及地面数据的信噪比；确定墙体数据、屋顶数据及地面数据的信噪比平均值；将信噪比平均值确定为第二阈值。
本申请将开普勒速度大于0和信噪比大于均值的第一点云数据滤除，减小了无关因素对后续检测过程中的干扰，提高了检测的准确率。
作为一种可选的实施例，将第二点云数据输入预设检测模型进行平面检测之前，所述方法还包括按照如下方式训练预设检测模型：
步骤21，获取训练集，其中，训练集为预先获取的携带有位置标识的训练点云数据，位置标识用于标记训练点云数据的位置区域；
步骤22，将训练集输入初始检测模型进行训练，以获得训练结果；
步骤23，在训练结果指示初始检测模型对训练集的识别准确率达到目标阈值的情况下，将初始检测模型确定为预设检测模型；
步骤24，在训练结果指示初始检测模型对训练集的识别准确率未达到目标阈值的情况下，继续将训练集输入初始检测模型进行训练，直至初始检测模型对训练集的识别准确率达到目标阈值的情况下，将初始检测模型确定为预设检测模型。
可选地，本申请方案中对预设检测模型的训练是基于基于深度学习的PointNet网络，一种新型的处理点云数据的深度学习模型，它能够用于点云数据的多种认知任务，如分类、语义分割和目标识别。
具体地，训练集携带有位置标识是为了在检测模型的检测结果出来之后，提取正确位置的识别准确率来与目标阈值进行比较，也就是说即使当检测结果检测出的匹配概率超过目标阈值，但是检测的位置结果与自身的位置标识不匹配的情况下，将其确定为识别准确率未达到目标阈值。
可选地，将训练集输入初始检测模型，初始检测模型输出的检测结果包括位置结果和匹配概率，在确定位置结果与训练集自身携带的位置标识一致的情况下，将匹配概率与目标阈值(例如，90％)作比较，在匹配概率未到达目标阈值的情况下，继续训练，在匹配概率到达目标阈值的情况下，将初始检测模型确定为预设检测模型。例如，当检测结果显示位置结果正确且匹配概率到达90％的情况下，将初始检测模型确定为预设检测模型；当检测结果显示位置结果不正确或者位置结果正确但匹配概率未到达90％的情况下，继续使用训练集训练初始检测模型。
作为一种可选的实施例，所述方法还包括按照如下方式获取训练集：采集不同位置的原始数据并分别标记对应的位置标识；对原始数据进行预处理，以获得原始点云数据；对原始点云数据进行聚类以获得携带有位置标识的训练点云数据。
可选地，由于训练集需要在输出检测结果时与真实的位置进行验证，所以在获取训练集的原始数据时就对不同的位置进行标记，以保证训练集能携带有自身的真实位置标识。采集训练集的原始数据的位置包括：墙体数据、屋顶数据、地面数据及背景类别数据，其中背景类别数据是用来排除对测量目标空间的体积带来的误差的。需要说明的是，对原始数据进行预处理以获得训练点云数据的方法与上述对毫米波雷达返回的信号进行多个处理以获得第二点云数据的方法相同，此处不再进行赘述。
作为一种可选的实施例，在训练结果指示初始检测模型对训练集的识别准确率未达到目标阈值的情况下，继续将训练集输入初始检测模型进行训练包括：将训练集输入初始检测模型进行检测，以获得预测结果；利用预测结果和位置标识的差异确定目标函数的损失值；按照损失值调整初始检测模型的网络参数，直至初始检测模型对训练集的识别准确率达到目标阈值的情况下，将初始检测模型确定为预设检测模型。
可选地，在初始检测模型对训练集的识别准确率未达到目标阈值的情况下，继续将训练集输入初始检测模型进行检测。按照初始检测模型输出的预测结果和位置标识的差异确定目标函数的损失值，也就是在位置识别正确的时候确定识别准确率与目标阈值的差异，具体的损失值确定公式为：损失值＝目标函数-识别准确率，在损失值小于等于0的情况下，确定初始检测模型对训练集的识别准确率达到目标阈值。
可选地，损失值为正数时表示初始检测模型对训练集的识别准确率未达到目标阈值，则根据损失值调整初始检测模型的网络参数，直至初始检测模型对训练集的识别准确率达到目标阈值的情况下，将初始检测模型确定为预设检测模型。
作为一种可选的实施例，利用平面检测数据确定目标空间的体积包括：从平面检测数据中提取体积参数；按照体积参数确定目标空间的体积。
可选地，从平面检测数据中提取目标空间的长度值、宽度值及高度值，再利用长度值、宽度值及高度值确定目标空间的体积，具体确定公式为：目标空间体积＝长度值*宽度值*高度值。
作为一种可选的实施例，从平面检测数据中提取体积参数包括：将平面检测数据中X坐标值为负数且Y坐标值小于第三阈值的第一点云数据的聚类确定为左侧墙体，并将平面检测数据中X坐标值为正数且Y坐标值小于第三阈值的第一点云数据的聚类确定为右侧墙体，并将Y坐标值大于第三阈值的第一点云数据的聚类确定为前侧墙体；确定左侧墙体的X坐标值的第一平均值对应的第一绝对值与右侧墙体的X坐标值的第二平均值对应的第二绝对值，并将第一绝对值与第二绝对值的和确定为目标空间的长度值；确定前侧墙体的Y坐标值的第三平均值对应的第三绝对值，并将第三绝对值确定为目标空间的宽度值；确定屋顶的Z坐标值的第四平均值对应的第四绝对值与地面的Z坐标值的第五平均值对应的第五绝对值，并将第四绝对值与第五绝对值的和确定为目标空间的高度值。
具体地，将毫米波雷达确定为三维坐标的原点，在原点所在墙体上的一条以原点为中心且平行于地面(或屋顶)的直线确定为X轴，根据原点确定一条以原点为中心且垂直于X轴且平行于地面(或屋顶)的直线确定为Y轴，根据原点确定一条以原点为中心且同时垂直于X轴和Y轴的直线确定为Z轴。
可选地，按照上述构建的三维坐标确定所有第二点云数据的坐标值，并按照以下步骤确定屋顶、地面、左侧墙体、右侧墙体及前侧墙体：
步骤1，分别将预设检测模型检测出的屋顶数据和地面数据提取出来，并滤除背景类别数据；
步骤2，确定余下的墙体数据中Y坐标值的众数，并将Y坐标的值与众数的误差值不超过最大误差值(例如，0.1)的的墙体数据确定为前侧墙体数据；
步骤3，将余下的墙体数据中X坐标值为负数的墙体数据确定为左侧墙体数据，并将X坐标值为负数的墙体数据确定为右侧墙体数据。
可选地，确定步骤3中的左侧墙体数据中的X坐标值的第一平均值对应的第一绝对值与右侧墙体的X坐标值的第二平均值对应的第二绝对值，二者相加的和确定为目标空间的长度值，例如，左侧墙体数据中的X坐标值的第一平均值为-4米，右侧墙体数据中的X坐标值的第二平均值为3米，那么目标空间的长度值＝|-3|+|3|＝3+3＝6米。
可选地，确定步骤2中的前侧墙体数据中的Y坐标的第三平均值的第三绝对值，确定为目标空间的宽度值。
可选地，确定步骤1中的屋顶数据的Z坐标值的第四平均值的第四绝对值和地面数据的Z坐标值的第五平均值的第五绝对值，二者相加就得到了目标空间的高度值。例如，屋顶数据的Z坐标值的平均值为3米，地面数据的Z坐标值的平均值为-2米，那么目标空间的高度值＝|3|+|-2|＝3+2＝5米。
本申请提供的一种室内体积探测方法，包括：确定毫米波雷达对目标空间进行探测得到的第一点云数据，其中，第一点云数据用于表示在目标空间内毫米波雷达与探测点之间的相对位置关系，探测点为目标空间内的遮挡物上的点；对第一点云数据进行聚类以获得第二点云数据；将第二点云数据输入预设检测模型进行平面检测，得到预设检测模型输出的目标空间的平面检测数据；利用平面检测数据确定目标空间的体积。本申请基于毫米波雷达探测目标空间的点云数据对目标空间进行墙面识别，并通过识别得到的墙体数据获取目标空间的体积参数，最终按照体积参数确定目标空间的体积，从而实现自适应测量室内体积，解决了目前没有对室内自适应测试室内体积的方法设备的问题。
具体地，由于毫米波雷达的探测距离长，且毫米波雷达的抗干扰性更强，在雾、烟、灰尘中的毫米波雷达的穿透力也更强，毫米波雷达需要处理的数据量不多，所以不需要太高性能的处理器来处理数据，处理器价格也比较便宜。这样一来，不仅能获得准确的室内体积的测量值，还能降低测量的成本。
可选地，本方案同样适用于激光雷达来探测室内体积。
根据本申请实施例的另一方面，如图3所示，本申请提供了一种室内体积探测装置，包括：
获取模块31，用于确定毫米波雷达对目标空间进行探测得到的第一点云数据，其中，第一点云数据用于表示在目标空间内毫米波雷达与探测点之间的相对位置关系，探测点为目标空间内的遮挡物上的点；
聚类模块32，用于对第一点云数据进行聚类以获得第二点云数据；
检测模块33，用于将第二点云数据输入预设检测模型进行平面检测，得到预设检测模型输出的目标空间的平面检测数据；
确定模块34，用于利用平面检测数据确定目标空间的体积。
需要说明的是，该实施例中的获取模块31可以用于执行本申请实施例中的步骤11，该实施例中的聚类模块32可以用于执行本申请实施例中的步骤12，该实施例中的检测模块33可以用于执行本申请实施例中的步骤13，该实施例中的确定模块34可以用于执行本申请实施例中的步骤14。
具体地，获取模块31还用于将毫米波雷达返回的回波信号转换为初始点云数据；利用每个初始点云数据相对毫米波雷达的距离、方位角以及仰角确定每个初始点云数据在极坐标系中的位置；按照极坐标系与三维坐标系的映射关系确定每个初始点云数据在三维坐标系中的位置；在三维坐标系中，滤除多普勒速度大于第一阈值的初始点云数据和信噪比小于第二阈值的初始点云数据，得到第一点云数据。
具体地，确定模块34还用于从平面检测数据中提取体积参数；按照体积参数确定目标空间的体积。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
根据本申请实施例的另一方面，本申请提供了一种电子设备，如图4所示，包括存储器401、处理器403、通信接口405及通信总线407，存储器401中存储有可在处理器403上运行的计算机程序，存储器401、处理器403通过通信接口405和通信总线407进行通信，处理器403执行计算机程序时实现上述方法的步骤。
上述电子设备中的存储器、处理器通过通信总线和通信接口进行通信。所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
根据本申请实施例的又一方面还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述任一步骤方法。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本申请实施例在具体实现时，可以参阅上述各个实施例，具有相应的技术效果。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种室内体积探测方法，其特征在于，包括：
确定毫米波雷达对目标空间进行探测得到的第一点云数据，其中，所述第一点云数据用于表示在所述目标空间内所述毫米波雷达与探测点之间的相对位置关系，所述探测点为所述目标空间内的遮挡物上的点；
对所述第一点云数据进行聚类以获得第二点云数据；
将所述第二点云数据输入预设检测模型进行平面检测，得到所述预设检测模型输出的所述目标空间的平面检测数据；
利用所述平面检测数据确定所述目标空间的体积。
2.根据权利要求1所述的方法，其特征在于，所述确定毫米波雷达对目标空间进行探测得到的第一点云数据包括：
将所述毫米波雷达返回的回波信号转换为初始点云数据；
利用每个所述初始点云数据相对所述毫米波雷达的距离、方位角以及仰角确定每个所述初始点云数据在极坐标系中的位置；
按照极坐标系与三维坐标系的映射关系确定每个初始点云数据在三维坐标系中的位置；
在三维坐标系中，滤除多普勒速度大于第一阈值的所述初始点云数据和信噪比小于第二阈值的所述初始点云数据，得到所述第一点云数据。
3.根据权利要求1所述的方法，其特征在于，将所述第二点云数据输入预设检测模型进行平面检测之前，所述方法还包括按照如下方式训练所述预设检测模型：
获取训练集，其中，所述训练集为预先获取的携带有位置标识的训练点云数据，所述位置标识用于标记所述训练点云数据的位置区域；
将所述训练集输入初始检测模型进行训练，以获得训练结果；
在所述训练结果指示所述初始检测模型对所述训练集的所述识别准确率达到目标阈值的情况下，将所述初始检测模型确定为所述预设检测模型；
在所述训练结果指示所述初始检测模型对所述训练集的所述识别准确率未达到所述目标阈值的情况下，继续将所述训练集输入所述初始检测模型进行训练，直至所述初始检测模型对所述训练集的所述识别准确率达到所述目标阈值的情况下，将所述初始检测模型确定为所述预设检测模型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括按照如下方式获取所述训练集：
采集不同位置的原始数据并分别标记对应的所述位置标识；
对所述原始数据进行预处理，以获得原始点云数据；
对所述原始点云数据进行聚类以获得携带有所述位置标识的所述训练点云数据。
5.根据权利要求3所述的方法，其特征在于，所述在所述训练结果指示所述初始检测模型对所述训练集的所述识别准确率未达到所述目标阈值的情况下，继续将所述训练集输入所述初始检测模型进行训练包括：
将所述训练集输入所述初始检测模型进行检测，以获得预测结果；
利用所述预测结果和所述位置标识的差异确定目标函数的损失值；
按照所述损失值调整所述初始检测模型的网络参数，直至所述初始检测模型对所述训练集的所述识别准确率达到所述目标阈值的情况下，将所述初始检测模型确定为所述预设检测模型。
6.根据权利要求1所述的方法，其特征在于，所述利用所述平面检测数据确定所述目标空间的体积包括：
从所述平面检测数据中提取体积参数；
按照所述体积参数确定所述目标空间的体积。
7.根据权利要求6所述的方法，其特征在于，所述从所述平面检测数据中提取体积参数包括：
将所述平面检测数据中X坐标值为负数且Y坐标值小于第三阈值的所述第一点云数据的聚类确定为左侧墙体，并将所述平面检测数据中所述X坐标值为正数且所述Y坐标值小于所述第三阈值的所述第一点云数据的聚类确定为右侧墙体，并将所述Y坐标值大于所述第三阈值的所述第一点云数据的聚类确定为前侧墙体；
确定所述左侧墙体的X坐标值的第一平均值对应的第一绝对值与所述右侧墙体的X坐标值的第二平均值对应的第二绝对值，并将所述第一绝对值与所述第二绝对值的和确定为所述目标空间的长度值；
确定所述前侧墙体的Y坐标值的第三平均值对应的第三绝对值，并将所述第三绝对值确定为所述目标空间的宽度值；
确定屋顶的Z坐标值的第四平均值对应的第四绝对值与所述地面的Z坐标值的第五平均值对应的第五绝对值，并将所述第四绝对值与所述第五绝对值的和确定为所述目标空间的高度值。
8.一种室内体积探测装置，其特征在于，包括：
获取模块，用于确定毫米波雷达对目标空间进行探测得到的第一点云数据，其中，所述第一点云数据用于表示在所述目标空间内所述毫米波雷达与探测点之间的相对位置关系，所述探测点为所述目标空间内的遮挡物上的点；
聚类模块，用于对所述第一点云数据进行聚类以获得第二点云数据；
检测模块，用于将所述第二点云数据输入预设检测模型进行平面检测，得到所述预设检测模型输出的所述目标空间的平面检测数据；
确定模块，用于利用所述平面检测数据确定所述目标空间的体积。
9.一种电子设备，包括存储器、处理器、通信接口及通信总线，所述存储器中存储有可在所述处理器上运行的计算机程序，所述存储器、所述处理器通过所述通信总线和所述通信接口进行通信，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至7任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111547113.XA CN114199168A (zh) | 2021-12-16 | 2021-12-16 | 一种室内体积探测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111547113.XA CN114199168A (zh) | 2021-12-16 | 2021-12-16 | 一种室内体积探测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114199168A true CN114199168A (zh) | 2022-03-18 |
Family
ID=80654749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111547113.XA Pending CN114199168A (zh) | 2021-12-16 | 2021-12-16 | 一种室内体积探测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114199168A (zh) |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140301633A1 (en) * | 2013-04-09 | 2014-10-09 | Google Inc. | System and Method for Floorplan Reconstruction and Three-Dimensional Modeling |
| CN107045733A (zh) * | 2017-03-21 | 2017-08-15 | 国网湖北省电力公司检修公司 | 基于点云数据对变电站gis设备进行建模的方法 |
| CN108416804A (zh) * | 2018-02-11 | 2018-08-17 | 深圳市优***科技股份有限公司 | 获取目标物体体积的方法、装置、终端设备及存储介质 |
| CN108648230A (zh) * | 2018-05-14 | 2018-10-12 | 南京阿凡达机器人科技有限公司 | 一种包裹尺寸测量方法、***、储存介质及移动终端 |
| CN110632849A (zh) * | 2019-08-23 | 2019-12-31 | 珠海格力电器股份有限公司 | 智能家电及其控制方法和装置、存储介质 |
| CN110728701A (zh) * | 2019-08-23 | 2020-01-24 | 珠海格力电器股份有限公司 | 带毫米波雷达的手杖的控制方法、装置及智能手杖 |
| CN111025241A (zh) * | 2019-10-17 | 2020-04-17 | 珠海格力电器股份有限公司 | 一种边界区域检测方法、装置、电子设备及存储介质 |
| WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技（上海）股份有限公司 | 基于毫米波雷达的辅助驾驶***、方法、终端和介质 |
| CN112184626A (zh) * | 2020-09-02 | 2021-01-05 | 珠海格力电器股份有限公司 | 姿态识别方法、装置、设备及计算机可读介质 |
| CN112666553A (zh) * | 2020-12-16 | 2021-04-16 | 动联(山东)电子科技有限公司 | 一种基于毫米波雷达的道路积水识别方法及设备 |
| US20210117659A1 (en) * | 2019-10-21 | 2021-04-22 | Analog Devices International Unlimited Company | Radar-based indoor localization and tracking system |
| CN112991427A (zh) * | 2019-12-02 | 2021-06-18 | 顺丰科技有限公司 | 物体体积测量方法、装置、计算机设备和存储介质 |
| CN112991428A (zh) * | 2019-12-02 | 2021-06-18 | 顺丰科技有限公司 | 箱体体积测量方法、装置、计算机设备和存储介质 |
| CN113158763A (zh) * | 2021-02-23 | 2021-07-23 | 清华大学 | 4d毫米波和激光点云多视角特征融合的三维目标检测方法 |
| CN113280733A (zh) * | 2021-04-07 | 2021-08-20 | 深圳市异方科技有限公司 | 一种基于激光雷达的货车车厢容积测量方法及*** |
| CN113406623A (zh) * | 2021-05-07 | 2021-09-17 | 中山大学 | 基于雷达高分辨距离像的目标识别方法、装置及介质 |
| CN113486961A (zh) * | 2021-07-12 | 2021-10-08 | 安徽耀峰雷达科技有限公司 | 基于深度学习的低信噪比下雷达rd图像目标检测方法、***及计算机设备 |
| CN113537417A (zh) * | 2021-09-17 | 2021-10-22 | 南京隼眼电子科技有限公司 | 基于雷达的目标识别方法、装置、电子设备及存储介质 |
| CN113532266A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于三维视觉的箱体积测量方法、***、设备及存储介质 |
| CN113538553A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于规则箱体的体积测量装置 |
| CN113538555A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于规则箱体的体积测量方法、***、设备及存储介质 |
| WO2021223368A1 (zh) * | 2020-05-08 | 2021-11-11 | 泉州装备制造研究所 | 基于视觉、激光雷达和毫米波雷达的目标检测方法 |
-
2021
- 2021-12-16 CN CN202111547113.XA patent/CN114199168A/zh active Pending
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140301633A1 (en) * | 2013-04-09 | 2014-10-09 | Google Inc. | System and Method for Floorplan Reconstruction and Three-Dimensional Modeling |
| CN107045733A (zh) * | 2017-03-21 | 2017-08-15 | 国网湖北省电力公司检修公司 | 基于点云数据对变电站gis设备进行建模的方法 |
| CN108416804A (zh) * | 2018-02-11 | 2018-08-17 | 深圳市优***科技股份有限公司 | 获取目标物体体积的方法、装置、终端设备及存储介质 |
| CN108648230A (zh) * | 2018-05-14 | 2018-10-12 | 南京阿凡达机器人科技有限公司 | 一种包裹尺寸测量方法、***、储存介质及移动终端 |
| WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技（上海）股份有限公司 | 基于毫米波雷达的辅助驾驶***、方法、终端和介质 |
| CN110632849A (zh) * | 2019-08-23 | 2019-12-31 | 珠海格力电器股份有限公司 | 智能家电及其控制方法和装置、存储介质 |
| CN110728701A (zh) * | 2019-08-23 | 2020-01-24 | 珠海格力电器股份有限公司 | 带毫米波雷达的手杖的控制方法、装置及智能手杖 |
| CN111025241A (zh) * | 2019-10-17 | 2020-04-17 | 珠海格力电器股份有限公司 | 一种边界区域检测方法、装置、电子设备及存储介质 |
| US20210117659A1 (en) * | 2019-10-21 | 2021-04-22 | Analog Devices International Unlimited Company | Radar-based indoor localization and tracking system |
| CN112991427A (zh) * | 2019-12-02 | 2021-06-18 | 顺丰科技有限公司 | 物体体积测量方法、装置、计算机设备和存储介质 |
| CN112991428A (zh) * | 2019-12-02 | 2021-06-18 | 顺丰科技有限公司 | 箱体体积测量方法、装置、计算机设备和存储介质 |
| CN113532266A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于三维视觉的箱体积测量方法、***、设备及存储介质 |
| CN113538553A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于规则箱体的体积测量装置 |
| CN113538555A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于规则箱体的体积测量方法、***、设备及存储介质 |
| WO2021223368A1 (zh) * | 2020-05-08 | 2021-11-11 | 泉州装备制造研究所 | 基于视觉、激光雷达和毫米波雷达的目标检测方法 |
| CN112184626A (zh) * | 2020-09-02 | 2021-01-05 | 珠海格力电器股份有限公司 | 姿态识别方法、装置、设备及计算机可读介质 |
| CN112666553A (zh) * | 2020-12-16 | 2021-04-16 | 动联(山东)电子科技有限公司 | 一种基于毫米波雷达的道路积水识别方法及设备 |
| CN113158763A (zh) * | 2021-02-23 | 2021-07-23 | 清华大学 | 4d毫米波和激光点云多视角特征融合的三维目标检测方法 |
| CN113280733A (zh) * | 2021-04-07 | 2021-08-20 | 深圳市异方科技有限公司 | 一种基于激光雷达的货车车厢容积测量方法及*** |
| CN113406623A (zh) * | 2021-05-07 | 2021-09-17 | 中山大学 | 基于雷达高分辨距离像的目标识别方法、装置及介质 |
| CN113486961A (zh) * | 2021-07-12 | 2021-10-08 | 安徽耀峰雷达科技有限公司 | 基于深度学习的低信噪比下雷达rd图像目标检测方法、***及计算机设备 |
| CN113537417A (zh) * | 2021-09-17 | 2021-10-22 | 南京隼眼电子科技有限公司 | 基于雷达的目标识别方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11372101B2 (en) | Method and apparatus for determining relative pose, device and medium | |
| WO2019119195A1 (zh) | 目标信号检测方法、设备、无人机及农业无人机 | |
| CN112513679B (zh) | 一种目标识别的方法和装置 | |
| CN110443275B (zh) | 去除噪声的方法、设备及存储介质 | |
| CN102915444A (zh) | 图像配准 | |
| WO2023071992A1 (zh) | 多传感器信号融合的方法、装置、电子设备及存储介质 | |
| CN114111774B (zh) | 车辆的定位方法、***、设备及计算机可读存储介质 | |
| CN104021289A (zh) | 一种非高斯非稳态噪声建模方法 | |
| CN112763993A (zh) | 标定雷达参数的方法和装置、电子设备、存储介质 | |
| CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
| WO2019151489A1 (ja) | センサ情報統合システム、センサ情報統合方法及びプログラム | |
| CN113009441A (zh) | 一种雷达运动反射面多径目标的识别方法及装置 | |
| CN115973144A (zh) | 一种自动泊车识别障碍物的方法、装置、电子设备及介质 | |
| CN108693517B (zh) | 车辆定位方法、装置和雷达 | |
| CN111025241A (zh) | 一种边界区域检测方法、装置、电子设备及存储介质 | |
| CN113034539B (zh) | 一种确定点云的边界框的方法及装置 | |
| CN112034464B (zh) | 一种目标分类方法 | |
| WO2022205199A1 (zh) | 一种干扰处理方法和装置 | |
| CN114199168A (zh) | 一种室内体积探测方法、装置、设备及介质 | |
| CN116819561A (zh) | 一种点云数据匹配方法、***、电子设备及存储介质 | |
| CN116027288A (zh) | 生成数据的方法、装置、电子设备及存储介质 | |
| CN110766005B (zh) | 目标特征提取方法、装置和终端设备 | |
| CN114067224A (zh) | 一种基于多传感器数据融合的无人机集群目标数量检测方法 | |
| CN114140608A (zh) | 一种光伏板标记方法、装置、电子设备及存储介质 | |
| CN109283507B (zh) | 一种基于时频域特征的雷达目标识别方法及*** |
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 |
Application publication date: 20220318 |
|
| RJ01 | Rejection of invention patent application after publication |