CN105303584B - 基于激光雷达的运动目标检测方法及装置 - Google Patents
基于激光雷达的运动目标检测方法及装置 Download PDFInfo
- Publication number
- CN105303584B CN105303584B CN201510601124.XA CN201510601124A CN105303584B CN 105303584 B CN105303584 B CN 105303584B CN 201510601124 A CN201510601124 A CN 201510601124A CN 105303584 B CN105303584 B CN 105303584B
- Authority
- CN
- China
- Prior art keywords
- data
- moving target
- zero
- laser radar
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 140
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 108010001267 Protein Subunits Proteins 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种基于激光雷达的运动目标检测方法及装置,改善了现有技术中需要限定运动目标的形状及对快速运动目标无法准确检测的问题。该基于激光雷达的运动目标检测方法包括:获取由激光雷达连续扫描多次得到的检测范围内运动目标的前景数据以及背景数据所构成的原始矩阵;利用鲁棒主分量分析法对所述原始矩阵进行分解,获得与所述原始矩阵对应的第一稀疏矩阵;对所述第一稀疏矩阵进行稀疏化处理,获得第二稀疏矩阵;对所述第二稀疏矩阵进行自适应窗口滤波,获得所述运动目标相对于所述激光雷达的距离信息。使用该基于激光雷达的运动目标检测方法,可以对运动目标进行有效检测。
Description
技术领域
本发明涉及雷达检测领域,具体而言,涉及一种基于激光雷达的运动目标检测方法及装置。
背景技术
随着经济社会的不断发展,城市化步伐的不断加速,人们的工作、生活秩序显得越来越紊乱,实时的行人、车辆检测有着重要的意义。如:可以通过统计等候电梯的人数来优化调度电梯,以此提高电梯的利用率,减少用户的等待时间。可以通过检测十字路口、丁字路口不同时间段的车流量大小,从而合理安排交通警察的工作时间和工作额度。总之,实时并能快速定位移动目标的运动目标检测在现实生活中的应用非常广泛,因此,本发明的研究就显得意义重大。
根据数据来源的不同,运动目标检测主要分为基于图像的方法和基于雷达数据的方法。现有的基于序列图像的运动目标检测算法主要有光流法、图像帧间差分法和背景差分法,然而基于序列图像的运动目标检测存在的突出问题就是图像处理的数据量大,算法的实时性差,而且难以获得运动目标的深度信息。
为了改善上述问题,近年来,激光雷达因具有数据量小、测距精度高、实时性能好等优点,在运动目标检测领域已经得到了广泛应用。其中,具有代表性的研究有Biswas等人提出的动态占据栅格图算法(Biswas R,Limketkai B,Sanner S,et al.Towards ObjectMapping in Non-Stationary Environments with Mobile Robots[C]//Proceedings ofthe 2002IEEE International Conference on Intelligent Robots and Systems.Lausanne,Switzerland,2002:1014-1019.),该算法能够学习运动物体的形状特征,将其作为物体的运动模型。
发明人经研究发现,上述算法仍然存在很多问题,当物体形状会发生变化或快速运动时,该算法仍然无法有效检测。
发明内容
有鉴于此,本发明实施例提供了一种基于激光雷达的运动目标检测方法及装置,无需对运动目标进行建模,对运动目标的形状变化也不作限定,可以同时得到多帧原始数据中的运动目标的位置信息,即不同时刻运动目标的运动信息,以改善现有技术当物体形状会发生变化或快速运动时,无法检测的问题。
为了实现上述目的,本发明采用的技术方案如下:
第一方面,本发明实施例提供了一种基于激光雷达的运动目标检测方法,包括:
获取由激光雷达连续扫描多次得到的检测范围内运动目标的前景数据以及背景数据所构成的原始矩阵;
利用鲁棒主分量分析法对所述原始矩阵进行分解,获得与所述原始矩阵对应的第一稀疏矩阵;
对所述第一稀疏矩阵进行稀疏化处理,获得第二稀疏矩阵;
对所述第二稀疏矩阵进行自适应窗口滤波,获得所述运动目标相对于所述激光雷达的距离信息。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述对所述第二稀疏矩阵进行自适应窗口滤波包括,将所述第二稀疏矩阵的非零数据转化为原始矩阵中对应位置的值,获得第三稀疏矩阵;获得第三稀疏矩阵的每列数据的每个非零数据对应的窗口宽度阈值;以第三稀疏矩阵每列数据的每个非零数据为起点,分别建立数据分析窗口,所述数据分析窗口中包括作为起点的起点数据,以及与所述起点数据连续的多个数据,所述起点数据与所述多个数据的总个数等于与所述起点数据对应的窗口宽度阈值;若所述数据分析窗口内的非零数据的个数小于与所述起点数据对应的窗口宽度阈值,将所述起点数据置为零;剩余的非零数据为所述运动目标相对于所述激光雷达的距离信息。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述建立数据分析窗口包括,若所述起点数据与所述多个数据的总个数小于与所述起点数据对应的窗口宽度阈值,则直接将所述起点数据置为零。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述每个非零数据对应的窗口宽度阈值T表示为:
其中,Width表示运动目标的宽度,dj,i表示位于第j行第i列的该非零数据,为相邻扫描线间的夹角。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,对所述第二稀疏矩阵进行自适应窗口滤波,获得所述运动目标相对于所述激光雷达的角度信息θ,所述角度信息为θ所述运动目标与所述激光雷达之间的连线与所述激光雷达的扫描起始线间的夹角,表示为
结合第一方面的第四种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述对所述第一稀疏矩阵进行稀疏化处理,包括将所述第一稀疏矩阵中绝对值小于第一阈值的元素设为零。
第二方面,本发明实施例提供了一种基于激光雷达的运动目标检测装置,包括,扫描单元,用于扫描检测范围内运动目标,所述运动目标的前景数据以及背景数据构造成原始矩阵;分解单元,利用鲁棒主分量分析法对所述原始矩阵进行分解,获得与所述原始矩阵对应的第一稀疏矩阵;矩阵处理单元,用于对所述稀疏矩阵进行稀疏化处理,获得第二稀疏矩阵;滤波单元,用于对所述第二稀疏矩阵进行自适应窗口滤波,获得所述运动目标的距离信息。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述滤波单元包括,转换子单元,用于将所述第二稀疏矩阵的非零数据转化为原始矩阵中对应位置的值,获得第三稀疏矩阵;窗口宽度阈值获取子单元,用于获得第三稀疏矩阵的每列数据的每个非零数据对应的窗口宽度阈值;数据分析窗口建立子单元,用于以第三稀疏矩阵每列数据的每个非零数据为起点,分别建立数据分析窗口,所述数据分析窗口中包括作为起点的起点数据,以及与所述起点数据连续的多个数据,所述起点数据与所述多个数据的总个数等于与所述起点数据对应的窗口宽度阈值;判断子单元,若所述数据分析窗口内的非零数据的个数小于与所述起点数据对应的窗口宽度阈值,用于将所述起点数据置为零;
若所述起点数据与所述多个数据的总个数小于与所述起点数据对应的窗口宽度阈值,则直接将所述起点数据置为零;
剩余的非零数据为所述运动目标相对于所述激光雷达的距离信息。
结合第二方面的第一种可能的实施方式,本发明实施例提供了第二方面的第二种可能的实施方式,其中,每个非零数据对应的窗口宽度阈值T表示为:
其中,Width表示运动目标的宽度,dj,i表示位于所述原始矩阵的第j行第i列的该非零数据,为相邻扫描线间的夹角。
结合第二方面的第二种可能的实施方式,本发明实施例提供了第二方面的第三种可能的实施方式,其中,所述滤波单元用于:
获得所述运动目标相对于所述激光雷达的角度信息θ,所述角度信息θ为所述运动目标与所述激光雷达之间的连线与扫描起始线间的夹角,表示为
本发明实施例提供的基于激光雷达的运动目标检测方法及装置,摒弃了现有技术中需要物体的运动特征进行建模的特性,利用激光雷达获取检测范围内运动目标的前景数据以及背景数据所构成的原始矩阵;利用鲁棒主分量分析法对原始矩阵进行分解,再将获得的相对应的稀疏矩阵进行稀疏化处理获得第二稀疏矩阵,将第二稀疏矩阵的非零数据对应置换为原始矩阵中相应的值,获得第三稀疏矩阵,以第三稀疏矩阵中的每个非零数据为起点进行窗口滤波,滤除噪声数据,剩余的非零数据即为检测范围内运动目标的距离数据,同时可根据非零数据在矩阵内的位置推测相应运动目标的相应角度信息。经验证,该方法可适用于形状可变、快速运动中的物体。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
图1示出了本发明实施例1所提供的一种基于激光雷达的运动目标检测方法的流程示意图;
图2为本发明实施例1所提供原始矩阵D中的第j行第i列元素dj,i所对应的实际物理含义图;
图3为原始矩阵D,低秩矩阵A以及稀疏矩阵E之间关系的示意图;
图4示出了本发明实施例1所提供的一种自适应窗口滤波方法的流程示意图;
图5为对应第1884帧,1938帧,2000帧时刻的可见光图像;
图6为扫描的第1884帧,1938帧,2000帧的原始激光雷达图;
图7为鲁棒主分量分解后对应第1884帧,1938帧,2000帧的背景图;
图8为鲁棒主分量分析法分解后并经过稀疏化处理后对应第1884帧,1938帧,2000帧的前景图;
图9为经过自适应窗口滤波后对应第1884帧,1938帧,2000帧的运动目标图。
图10示出了本发明实施例2所提供的一种基于激光雷达的运动目标检测装置的结构框图;
图11示出了本发明实施例2所提供的滤波单元的结构框图;
图12示出了本发明实施例提供的一种基于激光雷达的运动目标检测装置可储存的计算机。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域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,都属于本发明保护的范围。
实施例1
如图1所示,本发明实施例中针对激光雷达检测运动目标的特点,提供了一种基于激光雷达的运动目标检测方法,包括:
步骤S100:获取由激光雷达连续扫描多次得到的检测范围内运动目标的前景数据以及背景数据所构成的原始矩阵;
激光雷达扫描一次,也就是在一个扫描周期内,获得扫描范围内的运动目标的一个状态下的相应数据,对于运动目标,需要进行多次扫描,每次扫描获得一个运动状态,多次扫描的数据得到运动目标在运动过程中不同时刻的数据。
假设激光雷达连续扫描k次,每次扫描的角度范围为Φ,每相邻两条扫描线间的夹角为每次扫描的数据个数其中,Φ均为正整数,为正数,可以通过设置使m也为正整数。
扫描k次后,获得k帧数据(激光雷达一个扫描周期获得的数据称为一帧),于步骤S100中,由该k帧获得的原始矩阵为:
D=[d1,d2,…,dk],
其中,di表示矩阵的第i列数据,表示第i次扫描获得的扫描范围内的运动目标的数据,di=[d1,i,d2,i,…dj,i,…,dm,i],dj,i代表矩阵的第j行第i列数据,表示第i次扫描获得的第j个数据,dj,i所对应的实际物理含义如图2所示。i、j、k均为正整数,i小于等于k,j小于等于m。
可以理解的是,由激光雷达扫描的数据中既包括运动目标的前景数据也包括背景数据,也就是说,该原始矩阵是由运动目标的k帧前景数据和背景数据构造的。
步骤S101:利用鲁棒主分量分析法对所述原始矩阵进行分解,获得与所述原始矩阵对应的第一稀疏矩阵。
该步骤中,将基于激光雷达数据的运动目标检测问题转化为利用鲁棒主分量分析法进行矩阵分解的问题,即利用鲁棒主分量分析法对连续k次采集的激光雷达数据构造的原始矩阵D进行分解,原始矩阵D被分解为一个背景矩阵A=[a1,....,ak]∈Rm×k和一个包含运动目标点的稀疏矩阵E=[e1,...,ek]∈Rm×k的和,从图3可知,由于背景在序列激光雷达数据中是稳定,因此背景矩阵A每一列都表示背景区域,由于运动目标相比于背景数据数量较少,故每一列表示运动目标的前景矩阵E是稀疏的。鲁棒主分量分析法可以描述为以下优化问题:
s.t. D=A+E
其中δi(A)代表矩阵A的第i个奇异值,||E||1=∑ij|Eij|,Eij代表矩阵E的元素,
步骤S102:对所述第一稀疏矩阵进行稀疏化处理,获得第二稀疏矩阵;
其中,对第一稀疏矩阵进行稀疏化处理有多种方法,本发明实施例中,优选通过以下方式实现:
将所述第一稀疏矩阵中绝对值小于第一阈值的元素设为零。其中,第一阈值可以是10至200中的某个数,如100。
步骤S103:对所述第二稀疏矩阵进行自适应窗口滤波,获得所述运动目标相对于所述激光雷达的距离信息。
该步骤中,对第二稀疏矩阵进行自适应窗口滤波后,滤除不必要的噪声数据,得到运动目标的相关信息。具体滤波过程即:
将所述第二稀疏矩阵的非零数据转化为原始矩阵中对应位置的值,获得第三稀疏矩阵;
获得第三稀疏矩阵的每列数据的每个非零数据对应的窗口宽度阈值T;
以第三稀疏矩阵每列数据的每个非零数据为起点,分别建立数据分析窗口,所述数据分析窗口中包括作为起点的起点数据,以及与所述起点数据连续的多个数据,所述起点数据与所述多个数据的总个数等于与所述起点数据对应的窗口宽度阈值;
若所述数据分析窗口内的非零数据的个数小于与所述起点数据对应的窗口宽度阈值,将所述起点数据置为零;
最后,矩阵中剩余的非零数据就是所述运动目标相对于所述激光雷达的距离信息。
当然,所述起点数据与所述多个数据的总个数小于与所述起点数据对应的窗口宽度阈值,则直接将所述起点数据置为零。
具体的,如图4所示,步骤S103可以为一个遍历过程:
步骤S200:将第二稀疏矩阵中的全部非零数据转化为原始数据矩阵中对应位置的值,得到新的稀疏矩阵,即第三稀疏矩阵,令i=1;
步骤S201:判断i≤k是否成立,如果成立,则执行步骤S202,否则结束。
步骤S202:取第三稀疏矩阵的第i列数据,即单次扫描获得的数据,统计第i列数据中非零数据的个数为Num,用t表示每列数据中的非零数据的指针,即t表示每列数据的第t个非零数据,令t=1;
步骤S203:判断t≤Num是否成立,如果成立,则执行步骤S204;如果不成立,令i=i+1,执行步骤S201。
步骤S204:取第三稀疏矩阵的第i列数据中的第t个非零数据dj,i,根据dj,i的大小确定窗口宽度阈值T。
具体的,窗口宽度阈值T表示为:
获得的T是一个正整数,其中,Width表示运动目标的宽度,Width的大小选取根据要检测的不同的运动目标来确定不同的值,如若运动目标是人则可以选取宽度Width为300mm,dj,i表示位于第三稀疏矩阵第j行第i列的该非零数据。
步骤S205:判断j≤m-T是否成立,如果成立,则执行步骤S206;否则,令dj,i=0,执行步骤S208。
步骤S206:取dj,i后的T-1个数据建立数据分析窗口P={dj,i,dj+1,i,dj+2,i...,dj+T-1,i|j+T-1≤m},统计数据分析窗口P中非零数据的个数为q。
步骤S207:判断T>q是否成立,如果成立,则令dj,i=0,再执行步骤S208;否则,dj,i保持不变,直接执行步骤S208。
步骤S208:令t=t+1,执行步骤S203。
滤波结束后,第三稀疏矩阵中每列数据中非零数据的数据簇的个数即为该次滤波时在滤波范围内的运动目标的个数。可以理解的,在同一列数据中,如果一个或多个连续的非零数据不与其他非零数据相邻,则可以定义该一个或多个连续的非零数据为一个数据簇。
另外,滤波结束后,第三稀疏矩阵中剩余的非零数据dj,i即表示相应运动目标离扫描激光雷达的距离,即第i次扫描获得的运动目标的相应数据,该运动目标与激光雷达的距离为dj,i,该运动目标与该激光雷达的连线与该激光雷达的扫描起始线的夹角可以理解的是,也可以获得该运动目标与该激光雷达的连线与该激光雷达的其他扫描线之间的夹角,如图2中的夹角θ’即为该运动目标与该激光雷达的连线与该激光雷达的水平扫描线之间的夹角,在图2中水平扫描线与起始扫描线之间的夹角为45度。
在滤波后得到的整个矩阵中,每一列中的非零数据代表当前一次扫描的扫描范围内运动目标与激光雷达的距离,该列的上一列或下一列中的非零数据代表前一次扫描或后一次扫描的扫描范围内运动目标与激光雷达的距离,由每一列中非零数据在矩阵中的位置可以确定与该非零数据对应的运动目标与激光雷达某条扫描线之间的角度。
所以,通过雷达扫描获得数据,再对数据进行分析,最后就能得到扫描范围内运动目标的数量、距离、角度等信息,实现对运动目标的检测。
假设在实际使用过程中,使用扫描范围为270度的激光雷达,该激光雷达扫描的最大距离为30000mm,两条相邻扫描线间夹角设置为0.25度,那么,每次扫描获得的每帧数据包含1081个扫描点,即矩阵的每一列有1081个数据,m=1081。连续扫描5000次,获得连续的5000帧激光雷达数据,即k=5000。
图5示出了在一种扫描环境中,第1884帧,1938帧,2000帧时刻的可见光图像,框内为对应的运动目标。经雷达扫描获取第1884帧,1938帧,2000帧的原始激光雷达图如图6所示。图7为将原始矩阵做鲁棒主分量分析法分解后获得的低秩矩阵对应的图像,即背景图。图8为鲁棒主分量分析法分解并经过进一步稀疏化处理后稀疏矩阵对应第1884帧,1938帧,2000帧的图像,即前景图。图9示出了经过自适应窗口滤波后对应第1884帧,1938帧,2000帧的运动目标图。
采用本发明实施例中的方法对运动目标进行检测,不受运动目标的形状限制,并且对快速运动的目标一样可以进行检测,同时,不仅可以检测到某一时刻检测范围内运动目标与激光雷达之间的距离及计算出运动目标与该激光雷达的连线与该激光雷达的扫描起始线的夹角的角度信息,还可以检测到范围内运动目标的位置变化,从而推测出运动目标的流量。因此,本文对此展开了深入研究,使用基于鲁棒主分量分析法的激光雷达运动目标检测方法,可以直接对采集到的连续多帧激光雷达数据进行分解,得到包含运动目标数据信息的稀疏矩阵,提高了运动目标检测的实时性;再通过自适应窗口滤波,快速滤除因激光雷达采集或鲁棒主分量分析求解产生的噪声,最后得到运动目标相对激光雷达的角度信息、距离信息。
实施例2
本发明实施例提供了一种基于激光雷达的运动目标检测装置,如图10所示,包括:扫描单元301,用于扫描检测范围内运动目标,所述运动目标的前景数据以及背景数据构造成原始矩阵;分解单元302,利用鲁棒主分量分析法对所述原始矩阵进行分解,获得与所述原始矩阵对应的第一稀疏矩阵;矩阵处理单元303,用于对所述稀疏矩阵进行稀疏化处理,获得第二稀疏矩阵;滤波单元304,用于对所述第二稀疏矩阵进行自适应窗口滤波,获得所述运动目标的距离信息、角度信息。
所述扫描单元301包括:连续扫描K次检测范围内的运动目标,其中,每次扫描获得的数据包括m个,Φ为激光雷达的扫描角度范围,为相邻扫描线间的夹角,m、Φ均为正整数,为正数。
所述原始矩阵为:
D=[d1,d2,…,dk],
其中,di表示矩阵的第i列数据,表示第i次扫描获得的扫描范围内的运动目标的数据,di=[d1,i,d2,i,…dj,i,…,dm,i],dj,i代表矩阵的第j行第i列数据,表示第i次扫描获得的第j个数据,i、j、k均为正整数,i小于等于k,j小于等于m。
如图11所示,所述滤波单元304包括:
转换子单元3041,用于将所述第二稀疏矩阵的非零数据转化为原始矩阵中对应位置的值,获得第三稀疏矩阵;窗口宽度阈值获取子单元3042,用于获得第三稀疏矩阵的每列数据的每个非零数据对应的窗口宽度阈值;数据分析窗口建立子单元3043,用于以第三稀疏矩阵每列数据的每个非零数据为起点,分别建立数据分析窗口,所述数据分析窗口中包括作为起点的起点数据,以及与所述起点数据连续的多个数据,所述起点数据与所述多个数据的总个数等于与所述起点数据对应的窗口宽度阈值;判断子单元3044,若所述数据分析窗口内的非零数据的个数小于与所述起点数据对应的窗口宽度阈值,用于将所述起点数据置为零。最后,剩余的非零数据为所述运动目标相对于所述激光雷达的距离信息。
所述滤波单元304还包括,用于获得所述运动目标相对于所述激光雷达的角度信息θ,所述角度信息θ为所述运动目标与所述激光雷达之间的连线与扫描起始线间的夹角,表示为
所述数据分析窗口建立单元3043包括,若所述起点数据与所述多个数据的总个数小于与所述起点数据对应的窗口宽度阈值,则直接将所述起点数据置为零。
所述每个非零数据对应的窗口宽度阈值T表示为:
其中,Width表示运动目标的宽度,dj,i表示位于第j行第i列的该非零数据,为相邻扫描线间的夹角。
所述矩阵处理单元303包括,将所述第一稀疏矩阵中绝对值小于第一阈值的元素设为零。
参阅图12,本发明实施例提供的另一种计算机600,包括:处理器500,存储器501,总线502和通信接口503,所述处理器500、通信接口503和存储器501通过总线502连接;处理器500用于执行存储器501中存储的可执行模块,例如计算机程序。所述基于激光雷达的运动目标检测装置储存于所述存储器501。
其中,存储器501可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口503(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线502可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图12中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器501用于存储程序,所述处理器500在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流程定义的装置所执行的方法可以应用于处理器500中,或者由处理器500实现。
处理器500可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器500中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器500可以是通用处理器,包括中央处理器(Central Processing Unit,简称数据请求端)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器501,处理器500读取存储器501中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
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,上述描述的服务器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。
在本申请所提供的几个实施例中,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。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
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,在本发明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,本发明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)执行本发明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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、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。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种基于激光雷达的运动目标检测方法,其特征在于,包括:
获取由激光雷达连续扫描多次得到的检测范围内运动目标的前景数据以及背景数据所构成的原始矩阵;
利用鲁棒主分量分析法对所述原始矩阵进行分解,获得与所述原始矩阵对应的第一稀疏矩阵;
对所述第一稀疏矩阵进行稀疏化处理,获得第二稀疏矩阵;
对所述第二稀疏矩阵进行自适应窗口滤波,获得所述运动目标相对于所述激光雷达的距离信息,其中,所述对所述第二稀疏矩阵进行自适应窗口滤波包括:将所述第二稀疏矩阵的非零数据转化为原始矩阵中对应位置的值,获得第三稀疏矩阵;获得第三稀疏矩阵的每列数据的每个非零数据对应的窗口宽度阈值;以第三稀疏矩阵每列数据的每个非零数据为起点,分别建立数据分析窗口,所述数据分析窗口中包括作为起点的起点数据,以及与所述起点数据连续的多个数据,所述起点数据与所述多个数据的总个数等于与所述起点数据对应的窗口宽度阈值;若所述数据分析窗口内的非零数据的个数小于与所述起点数据对应的窗口宽度阈值,将所述起点数据置为零;剩余的非零数据为所述运动目标相对于所述激光雷达的距离信息。
2.根据权利要求1所述的基于激光雷达的运动目标检测方法,其特征在于,所述建立数据分析窗口包括:
若所述起点数据与所述多个数据的总个数小于与所述起点数据对应的窗口宽度阈值,则直接将所述起点数据置为零。
3.根据权利要求1所述的基于激光雷达的运动目标检测方法,其特征在于,所述每个非零数据对应的窗口宽度阈值T表示为:
其中,Width表示运动目标的宽度,dj,i表示位于所述原始矩阵的第j行第i列的该非零数据,为相邻扫描线间的夹角。
4.根据权利要求3所述的基于激光雷达的运动目标检测方法,其特征在于,对所述第二稀疏矩阵进行自适应窗口滤波,获得所述运动目标相对于所述激光雷达的角度信息θ,所述角度信息θ为所述运动目标与所述激光雷达之间的连线与所述激光雷达的扫描起始线间的夹角,表示为
5.根据权利要求1所述的基于激光雷达的运动目标检测方法,其特征在于,所述对所述第一稀疏矩阵进行稀疏化处理,包括:
将所述第一稀疏矩阵中绝对值小于第一阈值的元素设为零。
6.一种基于激光雷达的运动目标检测装置,其特征在于,包括:
扫描单元,用于扫描检测范围内运动目标,所述运动目标的前景数据以及背景数据构造成原始矩阵;
分解单元,利用鲁棒主分量分析法对所述原始矩阵进行分解,获得与所述原始矩阵对应的第一稀疏矩阵;
矩阵处理单元,用于对所述稀疏矩阵进行稀疏化处理,获得第二稀疏矩阵;
滤波单元,用于对所述第二稀疏矩阵进行自适应窗口滤波,获得所述运动目标的距离信息,其中,所述滤波单元包括:转换子单元,用于将所述第二稀疏矩阵的非零数据转化为原始矩阵中对应位置的值,获得第三稀疏矩阵;窗口宽度阈值获取子单元,用于获得第三稀疏矩阵的每列数据的每个非零数据对应的窗口宽度阈值;数据分析窗口建立子单元,用于以第三稀疏矩阵每列数据的每个非零数据为起点,分别建立数据分析窗口,所述数据分析窗口中包括作为起点的起点数据,以及与所述起点数据连续的多个数据,所述起点数据与所述多个数据的总个数等于与所述起点数据对应的窗口宽度阈值;判断子单元,若所述数据分析窗口内的非零数据的个数小于与所述起点数据对应的窗口宽度阈值,用于将所述起点数据置为零;若所述起点数据与所述多个数据的总个数小于与所述起点数据对应的窗口宽度阈值,则直接将所述起点数据置为零;剩余的非零数据为所述运动目标相对于所述激光雷达的距离信息。
7.根据权利要求6所述的基于激光雷达的运动目标检测装置,其特征在于,每个非零数据对应的窗口宽度阈值T表示为:
其中,Width表示运动目标的宽度,dj,i表示位于所述原始矩阵的第j行第i列的该非零数据,为相邻扫描线间的夹角。
8.根据权利要求7所述的基于激光雷达的运动目标检测装置,其特征在于,所述滤波单元用于:
获得所述运动目标相对于所述激光雷达的角度信息θ,所述角度信息θ为所述运动目标与所述激光雷达之间的连线与扫描起始线间的夹角,表示为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510601124.XA CN105303584B (zh) | 2015-09-18 | 2015-09-18 | 基于激光雷达的运动目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510601124.XA CN105303584B (zh) | 2015-09-18 | 2015-09-18 | 基于激光雷达的运动目标检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105303584A CN105303584A (zh) | 2016-02-03 |
CN105303584B true CN105303584B (zh) | 2018-09-18 |
Family
ID=55200806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510601124.XA Active CN105303584B (zh) | 2015-09-18 | 2015-09-18 | 基于激光雷达的运动目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105303584B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022460B (zh) * | 2016-05-25 | 2018-08-10 | 重庆市勘测院 | 基于激光雷达的人群密度实时监测方法 |
CN109615880B (zh) * | 2018-10-29 | 2020-10-23 | 浙江浙大列车智能化工程技术研究中心有限公司 | 一种基于雷达图像处理的车流量测量方法 |
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 |
CN110660119B (zh) * | 2019-09-20 | 2022-12-20 | 北京云杉世界信息技术有限公司 | 基于位图扫描的文字动态效果生成方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267964A (zh) * | 2013-04-21 | 2013-08-28 | 北京航空航天大学 | 一种基于低秩矩阵恢复的弹载导引头雷达σδ-stap方法 |
CN104361611A (zh) * | 2014-11-18 | 2015-02-18 | 南京信息工程大学 | 一种基于群稀疏鲁棒pca的运动目标检测方法 |
KR101527962B1 (ko) * | 2014-03-27 | 2015-06-11 | 전남대학교산학협력단 | 비디오 영상의 움직임 객체 추출 방법 |
CN104794457A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 基于稀疏误差矩阵的高光谱图像目标检测方法 |
-
2015
- 2015-09-18 CN CN201510601124.XA patent/CN105303584B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267964A (zh) * | 2013-04-21 | 2013-08-28 | 北京航空航天大学 | 一种基于低秩矩阵恢复的弹载导引头雷达σδ-stap方法 |
KR101527962B1 (ko) * | 2014-03-27 | 2015-06-11 | 전남대학교산학협력단 | 비디오 영상의 움직임 객체 추출 방법 |
CN104361611A (zh) * | 2014-11-18 | 2015-02-18 | 南京信息工程大学 | 一种基于群稀疏鲁棒pca的运动目标检测方法 |
CN104794457A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 基于稀疏误差矩阵的高光谱图像目标检测方法 |
Non-Patent Citations (2)
Title |
---|
《基于分层鲁棒主成分分析的运动目标检测》;仓园园;《计算机辅助设计与图形学学报》;20140430;第26卷(第4期);第537-544页 * |
《基于鲁棒主元分析的SAR图像目标分割》;刘中杰 等;《科学技术与工程》;20140228;第14卷(第5期);第145-150页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105303584A (zh) | 2016-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Biagioni et al. | Easytracker: automatic transit tracking, mapping, and arrival time prediction using smartphones | |
CN105303584B (zh) | 基于激光雷达的运动目标检测方法及装置 | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN110659658B (zh) | 一种目标检测方法及其装置 | |
CN107038168A (zh) | 一种用户通勤轨迹管理方法、装置及系统 | |
CN106373199B (zh) | 一种倾斜摄影建筑物模型快速提取方法 | |
CN110598541A (zh) | 一种提取道路边缘信息的方法及设备 | |
CN110795978B (zh) | 路面点云数据提取方法、装置、存储介质及电子设备 | |
CN106128121A (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN110443242B (zh) | 读数框检测方法、目标识别模型训练方法及相关装置 | |
WO2023050637A1 (zh) | 垃圾检测 | |
CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
CN109447006A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110060471A (zh) | 一种车辆od流预测模型构建方法及车辆od流预测方法 | |
CN113673400A (zh) | 基于深度学习的实景三维语义重建方法、装置及存储介质 | |
CN107808524A (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
CN110555432B (zh) | 一种兴趣点处理方法、装置、设备和介质 | |
CN108596032B (zh) | 一种视频中打架行为检测方法、装置、设备及介质 | |
CN114625744A (zh) | 电子地图的更新方法和装置 | |
CN109492573A (zh) | 一种指针读取方法及装置 | |
CN109855634A (zh) | 一种栅格地图的图像处理的方法及设备 | |
CN115909241A (zh) | 一种车道线检测方法、系统、电子设备和存储介质 | |
CN113538556B (zh) | 基于ir图的体积测量装置 | |
CN112380986B (zh) | 抗复杂街道背景干扰的车型检测方法、系统及存储介质 | |
CN113538558B (zh) | 基于ir图的体积测量优化方法、系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |