CN114814760A - 一种点云识别方法、装置及设备 - Google Patents
一种点云识别方法、装置及设备 Download PDFInfo
- Publication number
- CN114814760A CN114814760A CN202111611788.6A CN202111611788A CN114814760A CN 114814760 A CN114814760 A CN 114814760A CN 202111611788 A CN202111611788 A CN 202111611788A CN 114814760 A CN114814760 A CN 114814760A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- target
- target point
- track
- clouds
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004083 survival effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 101150014742 AGE1 gene Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
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
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种点云识别方法、装置及设备,方法包括:在获取到多个点云的情况下,确定感兴趣的目标点云,所述目标点云的数量至少为两个;采用具有噪声的基于密度的聚类方法DBSCAN,对所述目标点云进行聚类计算,获得目标簇;根据目标匹配跟踪算法,识别所述目标簇中的真实点云。本发明的方案能够实时地对复杂的城市道路场景中对于多径效应产生的虚假目标进行有效剔除,对真实点云进行识别,且计算量小,精确度高。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种点云识别方法、装置及设备。
背景技术
毫米波雷达可发射波长在1~10mm,频率在30GHZ~300GHZ范围内的电磁波信号。毫米波雷达利用发射天线将电磁波信号发射出去,电磁波遇到障碍物阻挡发生反射,此时毫米波雷达通过接受天线捕捉反射回的电磁波信号,电磁波信号经过傅里叶变化,窗函数和聚类等算法处理,实现对目标距离,速度等属性的检测。毫米波雷达具有探测距离远、测速精度高、集成度高、受天气条件影响较小等特点,在车路协同领域中有广泛应用。
然而,在实际的应用场景中,毫米波雷达发射的电磁波,遇到障碍物会出现反射,漫发射,多次反射,折射,绕射,衍射等现象。这些现象会使得雷达天线接收数据中存在一定数量的虚假点云,进而产生虚假目标。这些虚假目标将会对雷达***功能产生一定影响,比如虚假目标导致的AEB误刹,点刹等问题,严重时会造成汽车追尾等交通事故。因此,如何抑制多径效应或减少已经产生的虚假目标点,提高雷达识别目标的准确性成了亟待解决的技术问题。
以城市道路中的全息路口为例,目标车辆低速从毫米波雷达前方横穿,由于雷达对切向方向的目标不敏感,会产生多径反射,使得真实目标周围会出现多个虚假目标。目前对于多径效应产生的虚假目标,常用的办法主要分为从硬件设计层面和软件层面进行解决。其中硬件设计层面,通过改变天线放置的策略,使得目标直接反射信号和多径信号同时到达天线,或者设计地平面天线来遮挡天线下方的多径信号;软件层面,通过接受天线接受包含多径信息的信号,而后采取信号处理的方法。
现有的技术主要通过硬件层面和软件层面解决多径产生的虚假目标的问题,存在的缺点如下:
(1)硬件层面,在通过改进接收机天线的方案中,存在特定方向的定向天线无法在实际环境中抑制多径的问题;
(2)硬件层面,在通过修改接收机跟踪环路中延迟锁定环结构的方案中,存在只能抑制中长时延,无法抑制短时延的问题;
(3)软件层面的信号处理的方法,存在计算复杂度高,不可实时处理的问题。
发明内容
本发明提供一种点云识别方法、装置及设备,解决了现有的点云识别方案存在计算复杂度高、不可实时处理问题。
第一方面,本发明的实施例提供一种点云识别方法,包括:
在获取到多个点云的情况下,确定感兴趣的目标点云,所述目标点云的数量至少为两个;
采用具有噪声的基于密度的聚类方法DBSCAN,对所述目标点云进行聚类计算,获得目标簇;
根据目标匹配跟踪算法,识别所述目标簇中的真实点云。
第二方面,本发明的实施例提供一种点云识别装置,包括:
第一确定模块,用于在获取到多个点云的情况下,确定感兴趣的目标点云,所述目标点云的数量至少为两个;
第二确定模块,用于采用具有噪声的基于密度的聚类方法DBSCAN,对所述目标点云进行聚类计算,获得目标簇;
第三确定模块,用于根据目标匹配跟踪算法,识别所述目标簇中的真实点云。
第三方面,本发明的实施例提供一种点云识别设备,包括:收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述点云识别方法的步骤。
第四方面,本发明的实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述点云识别方法的步骤。
本发明的上述技术方案的有益效果是:
上述方案中,在获取到多个点云的情况下,首先确定至少包括两个感兴趣的目标点云;进一步采用具有噪声的基于密度的聚类方法DBSCAN,对获取到的目标点云进行聚类计算,获得目标簇;最后根据目标匹配跟踪算法,识别所述目标簇中的真实点云。通过该方案,能够实时地对复杂的城市道路场景中对于多径效应产生的虚假目标进行有效剔除,对真实点云进行识别,且计算量小,精确度高。
附图说明
图1表示本发明实施例的点云识别方法的流程图之一;
图2表示本发明实施例的点云识别方法的流程图之二;
图3表示本发明实施例的点云识别方法的流程图之三;
图4表示本发明实施例的点云识别方法的流程图之四;
图5表示本发明实施例的点云识别方法的流程图之五;
图6表示本发明实施例的点云识别装置的框图;
图7表示本发明实施例的点云识别设备的硬件结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
另外,本文中术语“***”和“网络”在本文中常可互换使用。
在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
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申请一部分实施例,并不是全部的实施例。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。
具体地,本发明的实施例提供了一种点云识别方法、装置及设备,解决了现有的点云识别方案存在计算复杂度高、不可实时处理问题。
如图1所示,本发明的实施例提供了一种点云识别方法,具体包括以下步骤:
步骤101:在获取到多个点云的情况下,确定感兴趣的目标点云,所述目标点云的数量至少为两个。
示例性的,将雷达检测到的所有点云记为集合T,判断集合T中点云数目是否大于1;在集合T中点云数目不大于1时,则结束;在集合T中的点云数目大于1的情况下,确定感兴趣的目标点云。其中,在提取到的感兴趣的目标点云数量大于2的情况下,进行步骤102,在提取到一个感兴趣的目标点云的情况下,将该目标点云作为真实点云。
需要说明的是,根据雷达数据分析可以看出,多径产生虚假目标的问题多发生在目标从雷达前方横穿的场景,基于此,同时为了降低算法的复杂性,需要对雷达检测到的目标进行筛选,得到感兴趣的目标点云。如,在车路协同场景中,使用雷达监测目标数量的上限可达256个,如果对雷达监测到的所有目标都进行聚类计算,会在增加算法的计算复杂度,对***性能也是较大的挑战。
步骤102:采用具有噪声的基于密度的聚类方法DBSCAN,对所述目标点云进行聚类计算,获得目标簇。
该步骤中,基于上述步骤101确定出的感兴趣的目标点云的集合,进一步采用DBSCAN聚类算法,确定至少一个目标簇;其中,每个目标簇中包括一个真实点云和多个虚假点云。
步骤103:根据目标匹配跟踪算法,识别所述目标簇中的真实点云。
该实施例中,在获取到多个点云的情况下,首先确定至少包括两个感兴趣的目标点云;进一步采用具有噪声的基于密度的聚类方法DBSCAN,对获取到的目标点云进行聚类计算,获得目标簇;最后根据目标匹配跟踪算法,识别所述目标簇中的真实点云。通过该方案,能够实时地对复杂的城市道路场景中对于多径效应产生的虚假目标进行有效剔除,实时对真实点云进行识别,且计算量小,精确度高。
下面对步骤101中的确定感兴趣的目标点云进行介绍。
在一实施例中,步骤101包括:根据点云的属性信息,从多个点云中确定感兴趣的所述目标点云。
其中,所述点云的属性信息包括以下至少一项:
所述目标点云相对于传感器的横向距离;
所述目标点云相对于传感器的纵向距离;
所述目标点云相对于传感器的速度;
所述目标点云相对于传感器的方向。
需要指出,该传感器可以包括毫米波雷达、激光雷达等。
在一具体实施例中,所述根据点云的属性信息,从多个点云中确定目标点云,包括:
在所述点云的属性信息小于第一阈值时,将所述点云确定为感兴趣的所述目标点云;需要指出,在点云的属性信息包括多个属性值时,每个属性值对应的第一阈值可以相同,也可以不同。
示例性的,以点云的属性信息包括所述目标点云相对于传感器的横向距离、所述目标点云相对于传感器的纵向距离和所述目标点云相对于传感器的速度为例,设置横向距离、纵向距离和速度的第一阈值分别为XT,YT,VT。在点云B的横向距离、纵向距离和速度三个属性满足以下公式(1)时,将点云B确定为感兴趣的目标点云:
|xB|<XT且|yB|<YT且|vB|<VT; (1)
其中,以雷达为原点创建坐标系,雷达切向方向为横向x坐标,雷达径向方向为纵向y坐标。|xB|表示点云B相对于传感器的横向距离,即x轴方向上与传感器的距离;|yB|表示点云B相对于传感器的纵向距离,即y轴方向上与传感器的距离;|vB|为点云B相对于传感器的速度。
参见图2,在一具体示例性实施例中,确定感兴趣的目标点云,可以包括以下步骤:
步骤2-1,输入获取到的点云集合T;
步骤2-2,判断集合T中点云数目是否大于1;若是则进行步骤2-3;若否则结束;
步骤2-3,设置横向距离属性、纵向距离属性和速度属性分别对应阈值;
步骤2-4,设置目标集合T对应的标记数组;
具体的,将目标集合T中所有目标是否被访问进行状态标记,目标集合T对应的状态数组visited,对visited数组进行初始化,集合T中任意目标i满足以下公式(2):
visited(i)=0,i=1~T; (2)
即,每个目标点云的初始标记为0,在访问后,标记为1以标识访问状态。
步骤2-5,从集合T中逐个选取未访问的点云;
步骤2-6,将选取的点云标记为已访问;
步骤2-7,判断选取点云是否满足阈值要求;若是,则进行步骤2-8;若否,则进行步骤2-5;
步骤2-8,确定为感兴趣的目标点云;
步骤2-9,判断标记数组中是否还存在未标记的点云;若否,则结束;若是,则进行步骤2-5。
下面对步骤102进行介绍。
在一实施例中,步骤102,包括:
采用DBSCAN,根据点云的属性信息,对所述目标点云进行聚类计算,获得目标簇。
其中,所述点云的属性信息包括以下至少一项:
所述目标点云相对于传感器的横向距离;
所述目标点云相对于传感器的纵向距离;
所述目标点云相对于传感器的速度;
所述目标点云相对于传感器的方向。
在一具体实施例中,所述采用DBSCAN,根据点云的属性信息,对所述目标点云进行聚类计算,获得目标簇,包括:
设置所述点云的属性信息对应的第二阈值和邻域半径范围内的最小点云数量;根据所述第二阈值和所述最小点云数量,确定至少一个中心点云;
基于所述中心点云扩展点云集群,获得所述目标簇,其中,每个所述中心点云对应一个所述目标簇。
需要指出,在点云的属性信息包括多个属性值时,每个属性值对应的第二阈值可以相同,也可以不同。
示例性的,如图3所示,DBSCAN聚类算法的步骤可以包括:
步骤3-1,设置点云属性的第二阈值和领域半径范围内的最小点云数量;
该步骤中,设置在横向距离x、纵向距离y、速度v和方向heading,即(x,y,v,heading)四个维度的第二阈值为:eps(x,y,v,heading);并设置满足邻域半径eps(x,y,v,heading)范围内的最小点数minpts;需要指出,这里,第二阈值即为领域半径eps(x,y,v,heading)。
步骤3-2,输入感兴趣的目标点云的集合,并设置目标点云对应的标记数组;
该步骤中,输入感兴趣的目标点云的集合N,设置集合N中对应标记数组used,并将数组进行初始化;
具体的,集合N中任意目标i满足公式(3):
used(i)=0,i=1,2…,N; (3)
步骤3-3,从目标点云的集合中任意选取未标记的目标点云,并将已选取的点云标记为使用;
该步骤中,从集合N中逐个选取目标点云p,根据used状态,判断目标点云p是否被使用,若目标点云p被选取,此时将目标点云p对应的used(i)标记为1;若未选中目标点云p,对应的used(i)仍然为0,详见如下公式(4):
步骤3-4,判断所选目标点云是否满足第二阈值;若是,则进行步骤3-5;若否,则进行步骤3-6,
对于状态为used(p)=1的选中目标点云p,判断目标点云P是否为核心点(中心点云),满足如下公式(5)至(9):
Np>minpts; (5)
eps(p)={q∈N|dist(px,qx)≤eps(x)}; (6)
eps(p)={q∈N|dist(py,qy)≤eps(y)}; (7)
eps(p)={q∈N|dist(pv,qv)≤eps(v)}; (8)
eps(p)={q∈N|dist(pheading,qheading)≤eps(heading)}; (9)
其中,Np表示以p为中心点云以eps为邻域半径范围内目标点云的数目,minpts为设置的满足聚类条件的最少点数(邻域半径范围内的最小点云数量);p表示已选取的点,q表示除p外其他位于集合N的任意未使用点q;dist(px,qx)表示p点与q点在横向x轴方向上的距离;eps(x)为横向距离的阈值;dist(py,qy)表示p点与q点在纵向y上的距离;eps(y)为纵向距离的阈值dist(pv,qv)表示p点与q点在速度v上的差值;eps(v)为速度的阈值eps(v);dist(pheading,qheading)表示p点与q点在方向heading上的差值;eps(heading)为方向的阈值;N为感兴趣的目标点云的集合中的目标点云的数量。
需要指出的是,公式中涉及的dist的计算方式按公式(10)至(13)计算,具体如下:
dist(px,qx)=|xp-xq|; (10)
dist(py,qy)=|yp-yq|; (11)
dist(pv,qv)=|vp-vq|; (12)
dist(pheading,qheading)=|headingp-headingq|; (13)
其中,以横向x轴方向的距离计算为例,将p点在x方向的值与q在x方向上的值做差值,求平方开方后得到结果。同理根据公式(11)可计算纵向y的距离,根据公式(12)可计算速度v的差值,根据公式(13)可计算方向heading的差值。
公式(10)至(13)分别对目标p的横向距离属性、纵向距离属性、速度属性和方向属性四个维度与对应的eps阈值进行判断,同时目标点云p满足在邻域范围内的目标点数目大于minpts,则可判定p为核心点,并创建簇C,否则为噪声或者边界点;将满足邻域范围内的点加入p点对应的邻域集合D;
步骤3-5,将满足第二阈值的目标点云标记为中心点云,并建立新簇,获得该中心点云的邻域集合;
步骤3-6,将不满足第二阈值的目标点云标记为边界点或噪声点;
步骤3-7,扩展中心点云集群;
该步骤中,将核心点云p的邻域范围内的点云集合设置为D,将p和D加入扩展核心点模块,进行点云集群扩展。
参见图4,详细的流包括如下步骤:
步骤3-7-1,将核心点p标记为新簇C;
将步骤3-4确定的核心点云p和确定的邻域集合D作为扩展核心点模块的输入;
步骤3-7-2,参见图4,包括:从集合D中逐个选取未使用点q;根据公式(5)至(13)判断q是否为核心点;当q不为核心点,将其标记为噪声或者边界点;当q为核心点,将q加入簇C;将q对应的邻域D’,并入集合D;将集合D中的所有点标记为未使用,此时聚类完成后的集合D成为目标簇。具体公式如下:
D=D+D’; (14)
步骤3-8,判断标记数组中是否还存在未标记的目标点云;若是,则进行步骤3-3;若否,则结束。
上述实施例中,通过DBSCAN聚类算法,基于横向距离属性、纵向距离属性、速度属性和方向属性四个维度对感兴趣的目标点云集合进行聚类,获得多个目标簇,其中,每个为目标簇为一组相似的目标点云集合,其中包括一个真实点云和多个虚假点云。
下面对步骤103进行介绍。
在一实施例中,步骤103,包括:
根据目标匹配跟踪算法,获得每个所述目标簇中的每个目标点云的轨迹生存周期;根据所述轨迹生存周期,识别每个所述目标点云是否为真实点云。
需要指出的是,可以针对雷达获取到的点云均根据轨迹匹配算法进行轨迹匹配,并进行轨迹生存周期更新。具体的,可以在点云的属性中添加记录点云存活周期的age属性。
该实施例中,多径产生的虚假点云并不会在开始就出现,而是在目标在雷达前方穿行时才会产生,因此真实点云的age属性必定大于多径产生的虚假目点云的age属性。这样,针对目标簇中的每个目标点云的轨迹生存周期,即可识别真实点云,剔除虚假点云,保证聚类后目标识别的准确性。
具体的,在一实施例中,所述根据目标匹配跟踪算法,获得每个所述目标簇中的每个目标点云的轨迹生存周期,包括:
根据目标匹配跟踪算法,获得每个所述目标点云的轨迹匹配结果;所述轨迹匹配结果包括匹配有轨迹或未匹配有轨迹;
在所述轨迹匹配结果为所述目标点云未匹配有轨迹的情况下,将所述目标点云的轨迹生存周期值减去第一值;
在所述轨迹匹配结果为所述目标点云匹配有轨迹的情况下,将所述目标点云的轨迹生存周期值加上第二值;其中,每个所述目标点云的生存周期值的初始值为0,在所述目标点云的生存周期值等于0时,删除所述目标点云的轨迹。
示例性的,如5所示,其示出的是轨迹生存周期age属性的更新。具体包括:
步骤5-1,根据匹配算法,对待检测的目标点云进行轨迹匹配,获得匹配结果;
步骤5-1,在所述轨迹匹配结果为所述目标点云未匹配有轨迹的情况下,根据如下公式一,对该目标点云已有的轨迹生存周期进行更新:age=age-1;对于未创建轨迹的目标点云,为该目标点云创建轨迹创建,并根据以下公式二进行轨迹生存周期的更新;
在所述轨迹匹配结果为所述目标点云匹配有轨迹的情况下,根据如下公式二,对轨迹生存周期进行更新:age=age+1;
步骤5-3,在age大于0的情况下,利用滤波算法对该目标点云对应的轨迹进行预测;
步骤5-4,在age等于0的情况下,删除该目标点云对应的轨迹。
步骤5-5,对于创建的轨迹和已匹配的轨迹,直接利用滤波算法中的更新算法进行更新,将更新的结果放入到轨迹中。
进一步的,在一实施例中,所述根据所述生存周期,识别每个所述目标点云是否为真实点云,包括:
将每个所述目标簇中的最大轨迹生存周期值对应的所述目标点云,确定为真实点云。
该实施例中,由于在雷达的检测范围内,虚假点云的存续可能仅是一段时间,或者是断续存在的;但是真实点云是始终存在的,因此,最大轨迹生存周期值对应的所述目标点云,即为真实点云。
上述方案中,具有以下优势:
一方面,多径产生虚假目标的现象多发生在目标从雷达前方横穿的场景,基于场景特点。本方案利用目标横向、纵向距离和速度将特定目标从目标集合中提取出来,实现了对感兴趣的目标点云的提取,减少了聚类算法的复杂度和计算量。
另一方面,本申请的方案利用目标的横向、纵向距离、速度和方向等多维度属性将真实目标和虚假目标进行聚类,聚类算法的有效性,能够有效解决复杂的城市道路场景中对于多径产生的虚假目标问题,且具有实时性。
还一方面,本申请的方案利用点云的轨迹生存周期,对聚类后的目标簇(包含真实目标和虚假目标)进行处理,完成了虚假目标的剔除,对真实目标进行识别,在已经获取毫米波雷达检测的目标数据,并由于多径效应产生多个虚假目标的场景中,能够解决毫米波雷达多径产生的虚假目标的问题。
如图6所示,本发明实施例提供一种点云识别装置600,包括;
第一确定模块601,用于在获取到多个点云的情况下,确定感兴趣的目标点云,所述目标点云的数量至少为两个;
第二确定模块602,用于采用具有噪声的基于密度的聚类方法DBSCAN,对所述目标点云进行聚类计算,获得目标簇;
第三确定模块603,用于根据目标匹配跟踪算法,识别所述目标簇中的真实点云。
可选的,第一确定模块601包括:
第一确定子模块,用于根据点云的属性信息,从多个点云中确定感兴趣的所述目标点云。
可选的,第二确定模块602包括:
第二确定子模块,用于采用DBSCAN,根据点云的属性信息,对所述目标点云进行聚类计算,获得目标簇。
可选的,所述点云的属性信息包括以下至少一项:
所述目标点云相对于传感器的横向距离;
所述目标点云相对于传感器的纵向距离;
所述目标点云相对于传感器的速度;
所述目标点云相对于传感器的方向。
可选的,第一确定子模块包括:
第一确定单元,用于在所述点云的属性信息小于第一阈值时,将所述点云确定为感兴趣的所述目标点云。可选的,第二确定子模块包括:
第二确定单元,用于设置所述点云的属性信息对应的第二阈值和邻域半径范围内的最小点云数量;
第三确定单元,用于根据所述第二阈值和所述最小点云数量,确定至少一个中心点云;
第四确定单元,用于基于所述中心点云扩展点云集群,获得所述目标簇,其中,每个所述中心点云对应一个所述目标簇。
可选的,第三确定模块603,包括:
第三确定子模块,用于根据目标匹配跟踪算法,获得每个所述目标簇中的每个目标点云的轨迹生存周期;
第四确定子模块,用于根据所述轨迹生存周期,识别每个所述目标点云是否为真实点云。
可选的,第三确定子模块,包括:
第五确定单元,用于根据目标匹配跟踪算法,获得每个所述目标点云的轨迹匹配结果;所述轨迹匹配结果包括匹配有轨迹或未匹配有轨迹;
第六确定单元,用于在所述轨迹匹配结果为所述目标点云未匹配有轨迹的情况下,将所述目标点云的轨迹生存周期值减去第一值;
第七确定单元,用于在所述轨迹匹配结果为所述目标点云匹配有轨迹的情况下,将所述目标点云的轨迹生存周期值加上第二值;
其中,每个所述目标点云的生存周期值的初始值为0,在所述目标点云的生存周期值等于0时,删除所述目标点云的轨迹。
可选的,第四确定子模块包括:
第七八确定单元,用于将每个所述目标簇中的最大轨迹生存周期值对应的所述目标点云,确定为真实点云。
本发明的点云识别装置600实施例是与上述方法对应的,上述方法实施例中的所有实现手段均适用于该点云识别装置600的实施例中,也能达到相同的技术效果。
为了更好的实现上述目的,如图7所示,本发明实施例还提供了一种点云识别设备,可选的,点云设备可以是一种嵌入式设备,包括:
处理器700;以及通过总线接口与所述处理器700相连接的存储器720,所述存储器720用于存储所述处理器700在执行操作时所使用的程序和数据,处理器700调用并执行所述存储器720中所存储的程序和数据。
其中,收发机710与总线接口连接,用于在处理器700的控制下接收和发送数据;处理器700用于读取存储器720中的程序。
具体的,所述处理器700用于,在获取到多个点云的情况下,确定感兴趣的目标点云,所述目标点云的数量至少为两个;采用具有噪声的基于密度的聚类方法DBSCAN,对所述目标点云进行聚类计算,获得目标簇;根据目标匹配跟踪算法,识别所述目标簇中的真实点云。
其中,在图7中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器700代表的一个或多个处理器和存储器720代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机710可以是多个元件,即包括发送机和收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器700负责管理总线架构和通常的处理,存储器720可以存储处理器700在执行操作时所使用的数据。
可选的,所述处理器700具体用于,根据点云的属性信息,从多个点云中确定感兴趣的所述目标点云。
可选的,所述处理器700具体用于,采用DBSCAN,根据点云的属性信息,对所述目标点云进行聚类计算,获得目标簇。
可选的,所述点云的属性信息包括以下至少一项:
所述目标点云相对于传感器的横向距离;
所述目标点云相对于传感器的纵向距离;
所述目标点云相对于传感器的速度;
所述目标点云相对于传感器的方向。
可选的,所述处理器700具体用于,在所述点云的属性信息小于第一阈值时,将所述点云确定为感兴趣的所述目标点云。
可选的,所述处理器700具体用于,设置所述点云的属性信息对应的第二阈值和邻域半径范围内的最小点云数量;根据所述第二阈值和所述最小点云数量,确定至少一个中心点云;基于所述中心点云扩展点云集群,获得所述目标簇,其中,每个所述中心点云对应一个所述目标簇。
可选的,所述处理器700具体用于,根据目标匹配跟踪算法,获得每个所述目标簇中的每个目标点云的轨迹生存周期;根据所述轨迹生存周期,识别每个所述目标点云是否为真实点云。
可选的,所述处理器700具体用于,根据目标匹配跟踪算法,获得每个所述目标点云的轨迹匹配结果;所述轨迹匹配结果包括匹配有轨迹或未匹配有轨迹;在所述轨迹匹配结果为所述目标点云未匹配有轨迹的情况下,将所述目标点云的轨迹生存周期值减去第一值;在所述轨迹匹配结果为所述目标点云匹配有轨迹的情况下,将所述目标点云的轨迹生存周期值加上第二值;其中,每个所述目标点云的生存周期值的初始值为0,在所述目标点云的生存周期值等于0时,删除所述目标点云的轨迹。
可选的,所述处理器700具体用于,将每个所述目标簇中的最大轨迹生存周期值对应的所述目标点云,确定为真实点云。
本发明提供的点云识别设备,在获取到多个点云的情况下,首先确定至少包括两个感兴趣的目标点云;进一步采用具有噪声的基于密度的聚类方法DBSCAN,对获取到的目标点云进行聚类计算,获得目标簇;最后根据目标匹配跟踪算法,识别所述目标簇中的真实点云。通过该方案,能够实时地对复杂的城市道路场景中对于多径效应产生的虚假目标进行有效剔除,实时对真实点云进行识别,且计算量小,精确度高。
本领域技术人员可以理解,实现上述实施例的全部或者部分步骤可以通过硬件来完成,也可以通过计算机程序来指示相关的硬件来完成,所述计算机程序包括执行上述方法的部分或者全部步骤的指令;且该计算机程序可以存储于一可读存储介质中,存储介质可以是任何形式的存储介质。
另外,本发明具体实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的点云识别方法的步骤。且能达到相同的技术效果,为避免重复,这里不再赘述。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种点云识别方法,其特征在于,包括:
在获取到多个点云的情况下,确定感兴趣的目标点云,所述目标点云的数量至少为两个;
采用具有噪声的基于密度的聚类方法DBSCAN,对所述目标点云进行聚类计算,获得目标簇;
根据目标匹配跟踪算法,识别所述目标簇中的真实点云。
2.根据权利要求1所述的点云识别方法,其特征在于,所述确定感兴趣的目标点云,包括:
根据点云的属性信息,从多个点云中确定感兴趣的所述目标点云。
3.根据权利要求1所述的点云识别方法,其特征在于,所述采用具有噪声的基于密度的聚类方法DBSCAN,对所述目标点云进行聚类计算,获得目标簇,包括:
采用DBSCAN,根据点云的属性信息,对所述目标点云进行聚类计算,获得目标簇。
4.根据权利要求1至3中任一项所述的点云识别方法,其特征在于,所述点云的属性信息包括以下至少一项:
所述目标点云相对于传感器的横向距离;
所述目标点云相对于传感器的纵向距离;
所述目标点云相对于传感器的速度;
所述目标点云相对于传感器的方向。
5.根据权利要求2所述的点云识别方法,其特征在于,所述根据点云的属性信息,从多个点云中确定目标点云,包括:
在所述点云的属性信息小于第一阈值时,将所述点云确定为感兴趣的所述目标点云。
6.根据权利要求3所述的点云识别方法,其特征在于,所述采用DBSCAN,根据点云的属性信息,对所述目标点云进行聚类计算,获得目标簇,包括:
设置所述点云的属性信息对应的第二阈值和邻域半径范围内的最小点云数量;
根据所述第二阈值和所述最小点云数量,确定至少一个中心点云;
基于所述中心点云扩展点云集群,获得所述目标簇,其中,每个所述中心点云对应一个所述目标簇。
7.根据权利要求1所述的点云识别方法,其特征在于,所述根据目标匹配跟踪算法,识别所述目标簇中的真实点云,包括:
根据目标匹配跟踪算法,获得每个所述目标簇中的每个目标点云的轨迹生存周期;
根据所述轨迹生存周期,识别每个所述目标点云是否为真实点云。
8.根据权利要求7所述的点云识别方法,其特征在于,所述根据目标匹配跟踪算法,获得每个所述目标簇中的每个目标点云的轨迹生存周期,包括:
根据目标匹配跟踪算法,获得每个所述目标点云的轨迹匹配结果;所述轨迹匹配结果包括匹配有轨迹或未匹配有轨迹;
在所述轨迹匹配结果为所述目标点云未匹配有轨迹的情况下,将所述目标点云的轨迹生存周期值减去第一值;
在所述轨迹匹配结果为所述目标点云匹配有轨迹的情况下,将所述目标点云的轨迹生存周期值加上第二值;
其中,每个所述目标点云的生存周期值的初始值为0,在所述目标点云的生存周期值等于0时,删除所述目标点云的轨迹。
9.根据权利要求8所述的点云识别方法,其特征在于,根据所述生存周期,识别每个所述目标点云是否为真实点云,包括:
将每个所述目标簇中的最大轨迹生存周期值对应的所述目标点云,确定为真实点云。
10.一种点云识别设备,包括:收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9中任一项所述点云识别方法的步骤。
11.一种点云识别装置,其特征在于,包括:
第一确定模块,用于在获取到多个点云的情况下,确定感兴趣的目标点云,所述目标点云的数量至少为两个;
第二确定模块,用于采用具有噪声的基于密度的聚类方法DBSCAN,对所述目标点云进行聚类计算,获得目标簇;
第三确定模块,用于根据目标匹配跟踪算法,识别所述目标簇中的真实点云。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至9中任一项所述点云识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111611788.6A CN114814760A (zh) | 2021-12-27 | 2021-12-27 | 一种点云识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111611788.6A CN114814760A (zh) | 2021-12-27 | 2021-12-27 | 一种点云识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114814760A true CN114814760A (zh) | 2022-07-29 |
Family
ID=82527634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111611788.6A Pending CN114814760A (zh) | 2021-12-27 | 2021-12-27 | 一种点云识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114814760A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687027A (zh) * | 2023-12-08 | 2024-03-12 | 中国科学院空天信息创新研究院 | 一种面向机载阵列干涉sar三维点云多径抑制方法 |
CN118072360A (zh) * | 2024-04-19 | 2024-05-24 | 浙江华是科技股份有限公司 | 一种周界入侵单个人体完整识别方法及*** |
CN117687027B (zh) * | 2023-12-08 | 2024-07-19 | 中国科学院空天信息创新研究院 | 一种面向机载阵列干涉sar三维点云多径抑制方法 |
-
2021
- 2021-12-27 CN CN202111611788.6A patent/CN114814760A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687027A (zh) * | 2023-12-08 | 2024-03-12 | 中国科学院空天信息创新研究院 | 一种面向机载阵列干涉sar三维点云多径抑制方法 |
CN117687027B (zh) * | 2023-12-08 | 2024-07-19 | 中国科学院空天信息创新研究院 | 一种面向机载阵列干涉sar三维点云多径抑制方法 |
CN118072360A (zh) * | 2024-04-19 | 2024-05-24 | 浙江华是科技股份有限公司 | 一种周界入侵单个人体完整识别方法及*** |
CN118072360B (zh) * | 2024-04-19 | 2024-06-28 | 浙江华是科技股份有限公司 | 一种周界入侵单个人体完整识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111045008B (zh) | 基于展宽计算的车载毫米波雷达目标识别方法 | |
JP2018194912A (ja) | 路上障害物検出装置,方法,およびプログラム | |
CN104035071A (zh) | 融合雷达/摄像机物体数据和LiDAR扫描点的方法和装置 | |
CN113536850B (zh) | 基于77g毫米波雷达的目标物体大小测试方法和装置 | |
CN112540365B (zh) | 一种评估方法、装置、设备及存储介质 | |
Diehl et al. | Radar-based dynamic occupancy grid mapping and object detection | |
Xiong et al. | Contrastive learning for automotive mmWave radar detection points based instance segmentation | |
CN114814760A (zh) | 一种点云识别方法、装置及设备 | |
CN114879192A (zh) | 基于路侧毫米波雷达的决策树车型分类方法、电子设备 | |
WO2023108930A1 (zh) | 一种基于点云速度的毫米波雷达大车识别方法 | |
CN116484244A (zh) | 基于聚类模型的自动驾驶事故发生机制分析方法 | |
CN111338336B (zh) | 一种自动驾驶方法及装置 | |
CN113393011B (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
CN113514825A (zh) | 道路边缘的获取方法、装置和终端设备 | |
CN116863325A (zh) | 一种用于多个目标检测的方法和相关产品 | |
CN113012430A (zh) | 一种车辆排队长度检测方法、装置、设备及可读存储介质 | |
CN112348265A (zh) | 监控场景下的可行路径挖掘方法及装置 | |
CN111784606A (zh) | 一种遥感图像分类后处理方法、存储介质及*** | |
CN112014822A (zh) | 车载雷达测量数据识别方法、装置、介质和电子装置 | |
CN113449403A (zh) | 一种基于分层网络划分的复杂网络节点评价方法 | |
Magnier et al. | Implementation of a multi-criteria tracking based on the Dempster-Shafer Theory | |
CN112906519A (zh) | 一种车辆类型识别方法及装置 | |
CN115980738B (zh) | 一种基于动静分离的多目标跟踪方法 | |
CN115203888A (zh) | 多目标跟踪中目标关联的方法、***、电子设备 | |
CN116664658B (zh) | 一种障碍物检测方法、装置及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 400040 No. 35, Jinghe Road, Huxi street, high tech Zone, Chongqing Applicant after: CITIC Technology Zhilian Technology Co.,Ltd. Address before: 400040 No. 35, Jinghe Road, Huxi street, high tech Zone, Chongqing Applicant before: Datang Gaohong Zhilian Technology (Chongqing) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |