CN107316048B - 点云分类方法及装置 - Google Patents
点云分类方法及装置 Download PDFInfo
- Publication number
- CN107316048B CN107316048B CN201710304503.1A CN201710304503A CN107316048B CN 107316048 B CN107316048 B CN 107316048B CN 201710304503 A CN201710304503 A CN 201710304503A CN 107316048 B CN107316048 B CN 107316048B
- Authority
- CN
- China
- Prior art keywords
- static
- vector
- dynamic
- probability
- point cloud
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明的实施例中公开了一种点云分类方法和点云分类装置,所述方法包括:根据原始激光点云获取多个目标障碍物块;获取所述目标障碍物块的静态概率向量和动态概率向量;根据所述静态概率向量和动态概率向量,确定所述多个目标障碍物块的类别。本发明实施例能提高点云分类的准确性。
Description
技术领域
本发明涉及计算机领域,特别涉及一种点云分类方法及装置。
背景技术
激光雷达是以发射激光光束来探测目标的位置、速度等特征量的雷达系统,其工作原理是先向目标发射探测激光光束,然后将接收到的从目标反射回来的信号作适当处理后,就可获得目标的有关信息,例如目标距离、方位、高度、速度、姿态、甚至形状等参数。
激光雷达获取的反射信号通常以点云的形式呈现,点云的分类识别对于点云数据的应用具有重要意义。现有的点云分类识别方法大多数是基于目标的静态特征进行分类识别,但是当从目标获取的点云数据量较少时,该方法的准确率不高,会存在误识别的情况,尤其是当目标与激光雷达之间的距离较远时,获取的点云数据在空间分布比较稀疏,点云分类将变得更加困难。
可见,现有技术中的点云分类方法准确率较低。
发明内容
本发明实施例中提供了一种点云分类方法,能提高点云分类的准确率。
为了解决上述技术问题,本发明实施例公开了如下技术方案:
一方面,提供了一种点云分类方法,所述方法包括:
根据原始激光点云获取多个目标障碍物块;
获取所述目标障碍物块的静态概率向量和动态概率向量;
根据所述静态概率向量和动态概率向量,确定所述多个目标障碍物块的类别。
可选的,根据原始激光点云获取多个目标障碍物块,包括:
获取原始激光点云;
去除所述原始激光点云中的孤立点和地面点,获得所述目标点云;
将所述目标点云投影至水平面,生成二维栅格地图;
对所述栅格地图进行腐蚀、膨胀后分割,获得分割点云;
对所述分割点云基于距离聚类,得到多个目标障碍物块。
可选的,获取所述目标障碍物块的静态概率向量,包括:
对所述目标障碍物块提取静态特征向量,所述每个目标障碍物块对应一个静态特征向量;
将所述静态特征向量输入第一分类器中,获取静态概率向量,所述每个静态特征向量对应一个静态概率向量。
可选的,所述每个静态概率向量包括多个维度,每个维度对应于一个类别的概率。
可选的,获取所述目标障碍物块的动态概率向量,包括:
对所述目标障碍物块提取动态特征向量,所述每个目标障碍物块对应一个动态特征向量;
将所述动态特征向量输入第二分类器中,获取动态概率向量,所述每个动态特征向量对应一个动态概率向量。
可选的,对所述目标障碍物块提取动态特征向量,包括:
对所述目标障碍物块进行前后帧的目标关联,获得跟踪序列;
对所述跟踪序列提取动态特征向量。
可选的,所述每个动态概率向量包括多个维度,每个维度对应于一个类别的概率。
可选的,根据所述静态概率向量和动态概率向量,确定所述多个目标障碍物块的类别,包括:
根据所述静态概率向量和动态概率向量获取滤波输出向量;
所述滤波输出向量中最大维度对应的类别为所述目标障碍块的类别。
可选的,所述滤波输出向量为:
H(w)为当前时刻的动态概率向量,
T为跟踪序列的长度,
L'0为静态特征先验概率向量,
t为采样时刻,
H(zt)为t时刻的静态概率向量,
其中,α,β,γ为权重值,通过以下获取:
第二方面,提供了一种点云分类装置,包括:
采样单元,用于根据原始激光点云获取多个目标障碍物块;
控制单元,用于获取所述目标障碍物块的静态概率向量和动态概率向量;
所述控制单元还用于根据所述静态概率向量和动态概率向量,确定所述多个目标障碍物块的类别。
本发明的实施例中公开了一种点云分类方法,包括根据原始激光点云获取多个目标障碍物块,获取所述目标障碍物块的静态概率向量和动态概率向量,根据所述静态概率向量和动态概率向量,确定所述多个目标障碍物块的类别。本发明实施例在对点云进行分类的时候,采用了动态概率向量和动态概率向量相结合的方法,可以提高点云分类识别的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1所示为本发明实施例的点云分类方法的流程图;
图2所示为本发明实施例的点云分类方法的流程图;
图3所示为本发明实施例的点云分类装置的结构示意图。
具体实施方式
本发明如下实施例提供了一种点云分类方法,能提高点云分类的准确率。
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、完整的描述,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。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所示为本发明实施例的点云分类方法的流程图,如图1所示,所述方法包括:
步骤110,根据原始激光点云获取多个目标障碍物块;
步骤120,获取目标障碍物块的静态概率向量和动态概率向量;
步骤130,根据静态概率向量和动态概率向量,确定多个目标障碍物块的类别。
本发明的实施例中公开了一种点云分类方法,在对点云进行分类的时候,采用了动态概率向量和动态概率向量相结合的方法,即考虑到了点云的动态特征和静态特征,因此在对点云分类的时候可以综合考虑,可以提高点云分类识别的准确率。
本发明实施例中,步骤110中,根据原始激光点云获取多个目标障碍物块,包括:
获取原始激光点云;
去除所述原始激光点云中的孤立点和地面点,获得所述目标点云;
将所述目标点云投影至水平面,生成二维栅格地图;
对所述栅格地图进行腐蚀、膨胀后分割,获得分割点云;
对所述分割点云基于距离聚类,得到多个目标障碍物块。
本发明实施例中,从得到多个目标障碍物块的方法可以是现有技术中的其他方法,在此不再赘述。
本发明实施例中,步骤120中,获取所述目标障碍物块的静态概率向量,包括:
对所述目标障碍物块提取静态特征向量,所述每个目标障碍物块对应一个静态特征向量;
将所述静态特征向量输入第一分类器中,获取静态概率向量,所述每个静态特征向量对应一个静态概率向量。
静态特征的构建根据实际需求而定,本发明实例中可以使用如下静态特征:
特征 | 描述 | 维数 |
F1 | 三维点数目 | 1 |
F2 | 惯性张量矩阵 | 6 |
F3 | 三维协方差矩阵 | 6 |
F4 | 三维协方差矩阵特征值 | 3 |
F6 | 反射强度概率分布特征 | 25 |
F7 | 物体纵向高度轮廓 | 10 |
F8 | 位置姿态相关特征 | 4 |
所述每个静态概率向量包括多个维度,每个维度对应于一个类别的概率。例如静态概率向量H(zt)=[p1,p2,p3,p4,p5],其中p1至p5对应一个类别的概率,例如p1可以是小汽车的概率,p2是卡车的概率,p3是行人的概率,p4是自行车的概率,p5是未知类别的概率。静态概率向量还可以有其他维度,例如三个维度或六个维度等,分别表示三个概率或六个概率,每个维度对应一个类别,在此不再赘述。
获取动态概率向量的方法可以是现有技术中的其他方法,在此不再赘述。
本发明实施例中,步骤120中,获取所述目标障碍物块的动态概率向量,包括:
对所述目标障碍物块提取动态特征向量,所述每个目标障碍物块对应一个动态特征向量;
将所述动态特征向量输入第二分类器中,获取动态概率向量,所述每个动态特征向量对应一个动态概率向量。
所述每个动态概率向量包括多个维度,每个维度对应于一个类别的概率。
本发明实施例中,动态概率向量H(w)和静态概率向量H(zt)的维度应该一致,且每个维度代表的类别是一一对应的,例如静态概率向量H(zt)=[p1,p2,p3,p4,p5]有五个维度,则动态概率向量H(w)=[p1,p2,p3,p4,p5]也为五个维度,对于静态概率向量和动态概率向量来说,p1可以是小汽车的概率,p2是卡车的概率,p3是行人的概率,p4是自行车的概率,p5是未知类别的概率。
本发明实施例中,对所述目标障碍物块提取动态特征向量,包括:
对所述目标障碍物块进行前后帧的目标关联,获得跟踪序列;
对所述跟踪序列提取动态特征向量。
目标关联有很多种方法,现以最近距离关联为例进行说明:
对于当前帧中的目标障碍物块A,计算其在XOY平面的重心(centerX,centerY)。在上一帧点云中,以(centerX,centerY)为中心,在一定范围内如2米,搜索到距离(centerX,centerY)最近的目标障碍物块B,则认为关联成功,即:目标障碍物A和B为同一个目标。
如果在上一帧中没有搜索到与障碍物A关联的目标,则认为A为新出现的障碍物目标;同理,上一帧中没有被当前帧关联的目标,被认为是消失的目标。
当目标消失时,在多帧中被关联的目标组成一个序列,即得到的跟踪序列。
在本发明实施例中,获取静态概率向量和动态概率向量并无时间上的先后顺序。
本发明实施例中,步骤130中,根据所述静态概率向量和动态概率向量,确定所述多个目标障碍物块的类别,包括:
根据所述静态概率向量和动态概率向量获取滤波输出向量;
所述滤波输出向量中最大维度对应的类别为所述目标障碍块的类别。
所述滤波输出向量为:
H(w)为当前时刻的动态概率向量,
T为跟踪序列的长度,
L'0为静态特征先验概率向量,
t为采样时刻,
H(zt)为t时刻的静态概率向量;
其中,α,β,γ为权重值,通过以下获取:
其中,m表示训练样本对应的目标障碍物块的个数。
本发明实施例中,第一分类器和第二分类器有很多种,常见的分类器模型有SVM,Adaboost等,第一分类器和第二分类器在使用前是预先使用训练样本训练的,用来来训练第一分类器和第二分类器的样本即训练样本。训练样本可以是激光雷达采集到的原始点云分割后的障碍物块。
本发明实施例中,滤波输出向量H(w,z1:T)的维度与静态特征向量、动态特征向量相同。
如果H(w,z1:T)=[0,0.1,0.01,0.2,0.5],则最大维度为p5=0.5,该维度对应的是“未知”分类,则表明该目标障碍物块的类别是“未知”。
本发明另一个实施例中,如果H(w,z1:T)=[0,0.1,0.01,0.2,0.05],则最大维度为p4=0.5,该维度对应的是“自行车”,则确定该目标障碍物块的类别是“自行车”。
本发明实施例的点云分类方法,综合考虑了动态特征向量和静态特征向量,可以提高点云分类的准确度。
图2所示为本发明实施例的点云分类方法的流程图,如图2所示,所述方法包括:
步骤210,根据原始激光点云获取多个目标障碍物块。
步骤220,对目标障碍物块提取静态特征向量,每个目标障碍物块对应一个静态特征向量。
步骤230,将静态特征向量输入第一分类器中,获取静态概率向量,每个静态特征向量对应一个静态概率向量。
步骤240,对目标障碍物块提取动态特征向量,每个目标障碍物块对应一个动态特征向量。
步骤250,将动态特征向量输入第二分类器中,获取动态概率向量,每个动态特征向量对应一个动态概率向量。
步骤260,根据静态概率向量和动态概率向量获取滤波输出向量。
步骤270,滤波输出向量中最大维度对应的类别为目标障碍块的类别。
本发明实施例中,获取动态概率向量和静态概率向量并无时间上的先后顺序,可以先获取动态概率向量,也可以先获取静态概率向量,即步骤230、240可以和步骤240、250互换顺序。本发明实施例中,还可以同时获取静态概率向量和动态概率向量。
本发明实施例的点云分类方法,综合考虑了动态特征向量和静态特征向量,可以提高点云分类的准确度。
和上述点云分类方法相对应,本发明实施例还提供了一种点云分类装置,如图3所示,所述点云分类装置包括:
采样单元310,用于根据原始激光点云获取多个目标障碍物块;
控制单元320,用于获取所述目标障碍物块的静态概率向量和动态概率向量;
所述控制单元320还用于根据所述静态概率向量和动态概率向量,确定所述多个目标障碍物块的类别。
本发明实施例的点云分类装置,综合考虑了动态特征向量和静态特征向量,可以提高点云分类的准确度。
本发明的实施例中公开了一种点云分类方法和分类装置,所述方法包括根据原始激光点云获取多个目标障碍物块,获取所述目标障碍物块的静态概率向量和动态概率向量,根据所述静态概率向量和动态概率向量,确定所述多个目标障碍物块的类别。所述点云分类装置包括:采样单元,用于根据原始激光点云获取多个目标障碍物块;控制单元,用于获取所述目标障碍物块的静态概率向量和动态概率向量;所述控制单元还用于根据所述静态概率向量和动态概率向量,确定所述多个目标障碍物块的类别。本发明实施例在对点云进行分类的时候,采用了动态概率向量和动态概率向量相结合的方法,可以提高点云分类识别的准确率。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件的方式来实现,通用硬件包括通用集成电路、通用CPU、通用存储器、通用元器件等,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟、光盘等,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或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种点云分类方法,其特征在于,所述方法包括:
获取原始激光点云;
去除所述原始激光点云中的孤立点和地面点,获得目标点云;
将所述目标点云投影至水平面,生成二维栅格地图;
对所述栅格地图进行腐蚀、膨胀后分割,获得分割点云;
对所述分割点云基于距离聚类,得到多个目标障碍物块;
根据所述多个目标障碍物块中的每个目标障碍物块的静态特征提取静态特征向量,所述每个目标障碍物块对应一个静态特征向量;
所述静态特征包括:三维点数目、惯性张量矩阵、三维协方差矩阵、三维协方差矩阵特征值、反射强度概率分布特征、位置姿态相关特征任意之一;
将所述静态特征向量输入第一分类器中,获取静态概率向量,所述每个静态特征向量对应一个所述静态概率向量;
对所述每个目标障碍物块进行前后帧的目标关联,获得跟踪序列;
对所述跟踪序列提取动态特征向量;
所述每个目标障碍物块对应一个动态特征向量;
将所述动态特征向量输入第二分类器中,获取动态概率向量,所述每个动态特征向量对应一个所述动态概率向量;
所述动态概率向量和所述静态概率向量的维度一致,且每个维度代表的类别是一一对应的;
根据所述静态概率向量和所述动态概率向量,确定所述多个目标障碍物块中的所述每个障碍物块的类别。
2.如权利要求1所述的方法,其特征在于,所述每个静态概率向量包括多个维度,每个维度对应于一个类别的概率。
3.如权利要求1所述的方法,其特征在于,所述每个动态概率向量包括多个维度,每个维度对应于一个类别的概率。
4.如权利要求1至3任一项所述的方法,其特征在于,根据所述静态概率向量和动态概率向量,确定所述多个目标障碍物块的类别,包括:
根据所述静态概率向量和动态概率向量获取滤波输出向量;
所述滤波输出向量中最大维度对应的类别为所述目标障碍块的类别。
6.一种点云分类装置,其特征在于,包括:
采样单元,用于获取原始激光点云;去除所述原始激光点云中的孤立点和地面点,获得目标点云;将所述目标点云投影至水平面,生成二维栅格地图;对所述栅格地图进行腐蚀、膨胀后分割,获得分割点云;对所述分割点云基于距离聚类,得到多个目标障碍物块;
控制单元,用于根据所述多个目标障碍物块中的每个目标障碍物块的静态特征提取静态特征向量,所述每个目标障碍物块对应一个静态特征向量;
所述静态特征包括:三维点数目、惯性张量矩阵、三维协方差矩阵、三维协方差矩阵特征值、反射强度概率分布特征、位置姿态相关特征任意之一;
将所述静态特征向量输入第一分类器中,获取静态概率向量,所述每个静态特征向量对应一个所述静态概率向量;
对所述每个目标障碍物块进行前后帧的目标关联,获得跟踪序列;
对所述跟踪序列提取动态特征向量;
所述每个目标障碍物块对应一个动态特征向量;
将所述动态特征向量输入第二分类器中,获取动态概率向量,所述每个动态特征向量对应一个所述动态概率向量;
所述动态概率向量和所述静态概率向量的维度一致,且每个维度代表的类别是一一对应的;
所述控制单元还用于根据所述静态概率向量和所述动态概率向量,确定所述多个目标障碍物块中的所述每个目标障碍物块的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710304503.1A CN107316048B (zh) | 2017-05-03 | 2017-05-03 | 点云分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710304503.1A CN107316048B (zh) | 2017-05-03 | 2017-05-03 | 点云分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107316048A CN107316048A (zh) | 2017-11-03 |
CN107316048B true CN107316048B (zh) | 2020-08-28 |
Family
ID=60184748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710304503.1A Active CN107316048B (zh) | 2017-05-03 | 2017-05-03 | 点云分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316048B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832769A (zh) * | 2017-11-09 | 2018-03-23 | 苏州铭冠软件科技有限公司 | 物体位于环境中的视觉识别方法 |
CN108363060A (zh) * | 2018-01-19 | 2018-08-03 | 上海思岚科技有限公司 | 一种动态障碍物检测方法及设备 |
CN110309240A (zh) * | 2018-03-14 | 2019-10-08 | 北京京东尚科信息技术有限公司 | 去除动态目标的方法和装置 |
DE102018207194A1 (de) * | 2018-05-09 | 2019-11-14 | Robert Bosch Gmbh | Bestimmen eines Umgebungszustands eines Fahrzeugs mit verketteten Klassifikatoren |
CN108984741B (zh) * | 2018-07-16 | 2021-06-04 | 北京三快在线科技有限公司 | 一种地图生成方法及装置、机器人和计算机可读存储介质 |
CN108985254A (zh) * | 2018-08-01 | 2018-12-11 | 上海主线科技有限公司 | 一种基于激光的带挂卡车跟踪方法 |
EP3633404B1 (en) * | 2018-10-02 | 2022-09-07 | Ibeo Automotive Systems GmbH | Method and apparatus for optical distance measurements |
CN110045376B (zh) * | 2019-04-28 | 2021-06-01 | 森思泰克河北科技有限公司 | 可行驶区域获取方法、计算机可读存储介质及终端设备 |
CN110414374B (zh) * | 2019-07-08 | 2021-12-17 | 深兰科技(上海)有限公司 | 一种障碍物位姿的确定方法、装置、设备及介质 |
CN110470308B (zh) * | 2019-09-06 | 2021-09-24 | 北京云迹科技有限公司 | 一种避障系统及方法 |
CN110989619B (zh) * | 2019-12-23 | 2024-01-16 | 阿波罗智能技术(北京)有限公司 | 用于定位对象的方法、装置、设备和存储介质 |
CN111239766B (zh) * | 2019-12-27 | 2021-12-07 | 北京航天控制仪器研究所 | 基于激光雷达的水面多目标快速识别跟踪方法 |
CN111259958B (zh) * | 2020-01-15 | 2024-04-16 | 北京市商汤科技开发有限公司 | 物体识别方法及装置、存储介质 |
CN111310811B (zh) * | 2020-02-06 | 2021-01-15 | 东华理工大学 | 一种基于多维特征最优组合的大场景三维点云分类方法 |
CN111337898B (zh) * | 2020-02-19 | 2022-10-14 | 北京百度网讯科技有限公司 | 激光点云的处理方法、装置、设备及存储介质 |
US11420647B2 (en) * | 2020-08-13 | 2022-08-23 | Argo AI, LLC | Enhanced static object classification using lidar |
CN112347999B (zh) * | 2021-01-07 | 2021-05-14 | 深圳市速腾聚创科技有限公司 | 障碍物识别模型训练方法、障碍物识别方法、装置及系统 |
CN115457496B (zh) * | 2022-09-09 | 2023-12-08 | 北京百度网讯科技有限公司 | 自动驾驶的挡墙检测方法、装置及车辆 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091321A (zh) * | 2014-04-14 | 2014-10-08 | 北京师范大学 | 适用于地面激光雷达点云分类的多层次点集特征的提取方法 |
CN105260988A (zh) * | 2015-09-09 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种高精地图数据的处理方法和装置 |
CN105793730A (zh) * | 2013-06-14 | 2016-07-20 | 优步技术公司 | 对象运动的基于激光雷达的分类 |
CN106250881A (zh) * | 2016-08-25 | 2016-12-21 | 深圳大学 | 一种基于三维点云数据的目标识别方法及系统 |
-
2017
- 2017-05-03 CN CN201710304503.1A patent/CN107316048B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105793730A (zh) * | 2013-06-14 | 2016-07-20 | 优步技术公司 | 对象运动的基于激光雷达的分类 |
CN104091321A (zh) * | 2014-04-14 | 2014-10-08 | 北京师范大学 | 适用于地面激光雷达点云分类的多层次点集特征的提取方法 |
CN105260988A (zh) * | 2015-09-09 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种高精地图数据的处理方法和装置 |
CN106250881A (zh) * | 2016-08-25 | 2016-12-21 | 深圳大学 | 一种基于三维点云数据的目标识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
"Towards 3D Object Recognition via Classification of Arbitrary Object Tracks";Teichman A等;《IEEE International Conference on Robotics and Automation》;20110815;附图2-3,第3部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN107316048A (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316048B (zh) | 点云分类方法及装置 | |
KR102198724B1 (ko) | 포인트 클라우드 데이터를 처리하기 위한 방법 및 장치 | |
CN112529874B (zh) | 基于三维雷达的障碍物检测方法、装置、介质和机器人 | |
US11567496B2 (en) | Method and apparatus for optimizing scan data and method and apparatus for correcting trajectory | |
US9355320B2 (en) | Blur object tracker using group lasso method and apparatus | |
CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
US10042048B1 (en) | Superpixels for improved structure and terrain classification using multiple synthetic aperture radar image products | |
Najva et al. | SIFT and tensor based object detection and classification in videos using deep neural networks | |
Zhang et al. | An automatic background filtering method for detection of road users in heavy traffics using roadside 3-D LiDAR sensors with noises | |
Li et al. | An adaptive 3D grid-based clustering algorithm for automotive high resolution radar sensor | |
CN103679696A (zh) | 基于图像金字塔的自适应图像处理设备和方法 | |
CN112487905B (zh) | 一种车辆周边行人危险等级预测方法及系统 | |
Li et al. | Robust vehicle detection in high-resolution aerial images with imbalanced data | |
CN113095417B (zh) | 基于融合图卷积和卷积神经网络的sar目标识别方法 | |
CN113484875B (zh) | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 | |
CN112528781B (zh) | 一种障碍物检测方法、装置、设备和计算机可读存储介质 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
CN112906519B (zh) | 一种车辆类型识别方法及装置 | |
Guizilini et al. | Online self-supervised segmentation of dynamic objects | |
CN116071569A (zh) | 图像选择方法、计算机设备及存储装置 | |
CN114639083A (zh) | 利用级联分类器检测3d点云中的道路边界的方法和装置 | |
Cheng et al. | Pasnet: a self-adaptive point cloud sorting approach to an improved feature extraction | |
CN115100741B (zh) | 一种点云行人距离风险检测方法、系统、设备和介质 | |
Alohali et al. | Spotted hyena optimizer with deep learning enabled vehicle counting and classification model for intelligent transportation systems |
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 |