CN108717540A - 基于2d激光雷达区分行人和车辆的方法及装置 - Google Patents
基于2d激光雷达区分行人和车辆的方法及装置 Download PDFInfo
- Publication number
- CN108717540A CN108717540A CN201810879098.0A CN201810879098A CN108717540A CN 108717540 A CN108717540 A CN 108717540A CN 201810879098 A CN201810879098 A CN 201810879098A CN 108717540 A CN108717540 A CN 108717540A
- Authority
- CN
- China
- Prior art keywords
- laser
- cluster
- pedestrian
- vehicle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000004069 differentiation Effects 0.000 claims abstract description 7
- 239000006185 dispersion Substances 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000004888 barrier function Effects 0.000 claims abstract description 5
- 238000009434 installation Methods 0.000 claims description 24
- 241000283070 Equus zebra Species 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract 1
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了基于2D激光雷达区分行人和车辆的方法，在道路上设置若干2D激光雷达，包括如下步骤：1)通过2D激光雷达照射到障碍物生成激光点云构建实时动态的二维场景；2)将场景中的激光点云分割成簇过滤除去离散度较高的点云簇；3)计算目标簇为行人或者车辆的概率值；4)对选定区域内的目标簇，进行概率判断，初步判断为行人或者车辆，再通过计算短时间内目标簇的运动速度和方向，过滤出符合行人或者车辆运动特征的簇，完成对车辆和行人的区分。本发明智能化区分行人和车辆、可通过训练提高区分行人和车辆的辨识度和准确度。
Description
技术领域
本发明涉及自动交通管理技术领域，特别涉及一种基于2D激光雷达区分行人和车辆的方法及装置。
背景技术
在交通安全领域，不论对于交通管理部门，还是对于机动车驾驶员，检测行人一直有其重要的意义。特别是随着智能交通的兴起，对行人、车辆以及其他道路环境信息的提取和分析受到了广泛的研究。
目前国内外主流的区分行人和车辆的方法是采用摄像头作为传感器，通过一定的图像处理算法进行识别。其优点是安装和使用简单方便，成本低。然而，其缺点是容易受到光照阴影的影响，而且普通的摄像头无法获取深度信息，目前市面上的深度摄像头可测的深度范围小，如微软的Kinect最大探测距离是4米，英特尔的RealSense最大探测距离是10米，而实际使用中还要受到场地、光照强度等因素的限制。相比之下，激光雷达的探测距离大，商用的2D激光雷达可以达到几百米，而且不受光照变化的影响，可以在雨雪天气正常工作。因此，以2D激光雷达作为传感器区分行人和车辆，在天气多变的环境中更有优势。
发明内容
本发明是为了解决十字路口交通安全监管的问题，提供一种智能化、可通过训练提高辨识度和准确度的基于2D激光雷达区分行人和车辆的方法及装置。
为了实现上述目的，本发明采用以下技术方案，基于2D激光雷达区分行人和车辆的方法，在道路上设置若干2D激光雷达，包括如下步骤：1)通过2D激光雷达照射到障碍物生成激光点云构建实时动态的二维场景；2)将场景中的激光点云分割成簇，剔除点数较少的点云簇，对剩余的点云簇稀疏化处理，降低激光点云内点的密度的同时保证激光点云形状不变，再过滤除去离散度较高的点云簇；3)根据预先获取的行人和车辆的样本，计算各种几何特征，得到样本的特征向量，并对这些样本进行训练，得到分类模型，根据模型，通过计算每个点云簇的特征向量，计算目标簇为行人或者车辆的概率值；4)对选定区域内的目标簇，进行概率判断，初步判断为行人或者车辆，再通过计算短时间内目标簇的运动速度和方向，过滤出符合行人或者车辆运动特征的簇，完成对车辆和行人的区分。
作为优选，所述的步骤1)中，将通过所述激光雷达得到的数据融合并转换成激光点云，根据2D激光雷达的位置，将激光点云投影到预先设定的地面坐标系中，构建实时动态场景，包括如下步骤：A)选取使用的2D激光雷达中的其中一个，以其安装位置为平面坐标原点，激光雷达前方为x方向，左方为y方向，建立地面坐标系；B)对于使用多个激光雷达的方案，融合所有激光雷达获取的数据，以激光点云形式投影到地面坐标系；对于使用单个激光雷达的方案，直接将数据转化为激光点云，投影到地面坐标系。
作为优选，所述的步骤2)中，将场景中的激光点云分割，筛选后，得到候选目标点云簇，包括如下步骤：C)计算激光点云内每两个激光点之间的距离，将点间距离大于限定值的激光点划分开，提取出点间距离小于限定值的激光点作为点云簇，所述的限定值为0.2米；D)对各个点云簇内的点计数，剔除不符合预先设定点数范围的点云簇，得到候选点云簇，每一簇中激光点的数量范围是10-2000；E)对候选点云簇进行网格筛选，降低点云的点密度，同时保持点云的形状特征不变，网格的大小为2厘米x2厘米，筛选过后每一个网格中只留下一个点；F)再次计算各个点云簇内的点间距离，过滤除去离散度高于设定值的点，对于每一簇点云，计算每一个点与其周围10个点的距离，得到代表疏密程度的值；对于每一簇点云，去除掉其中稀疏区域的点，排除离散点对于点云几何特征的影响，获得具有规整形状的点云簇。
作为优选，所述的步骤3)中，包括如下步骤：G)采集样本，分别记录行人和车辆的激光点数据样本；对收集到的样本，转化为激光点云后分割成点云簇样本，分别标记后得到两类样本：行人和车辆；H)选取样本的几何特征，计算各个样本的特征值；I)根据计算的特征值，使用随机森林分类器，进行聚类分析，训练样本后产生模型；J)计算步骤2)中获取的目标簇的特征值，根据模型，解算目标簇代表行人或者车辆的概率。
作为优选，所述的步骤4)中，包括如下步骤：K)根据预先设定的概率阈值，对每一目标簇进行概率判断，初步识别为行人或者车辆；L)对于初步识别通过的目标簇，通过计算短时间间隔内目标的位移，判断出目标簇的运动方向和速度，过滤出符合行人或者车辆运动特征的目标簇，识别为行人或者车辆。
采用权利要求1所述方法的基于2D激光雷达区分行人和车辆的装置，所述的装置设于道路斑马线区域，所述装置与后台服务器连通，所述的装置包括控制箱、至少一组雷达装置，所述的控制箱设有相互连接的控制电路板、电源模块、远程通信模块，所述的雷达装置包括安装立柱、2D激光雷达，所述的安装立柱为空心柱，所述安装立柱上部设有可容纳并固定2D激光雷达的设备腔，所述的2D激光雷达与控制电路板连接，所述的远程通信模块与后台服务器连通。
作为优选，所述的2D激光雷达底部与地面的距离不低于85厘米。
作为优选，所述的斑马线区域设有两组雷达装置，所述的两组雷达装置分别设于斑马线的对角位置。
因此，本发明具有如下有益效果：智能化、可通过训练提高辨识度和准确度。
附图说明
图1是本发明的步骤示意图。
图2是本发明的安装立柱结构示意图。
图3是本发明的安装立柱布置结构平面图。
图中：1、安装立柱2、2D激光雷达3、斑马线区域。
具体实施方式
下面结合附图对本发明做进一步的描述。
如图1所示，基于2D激光雷达区分行人和车辆的方法，在道路上设置若干2D激光雷达，包括如下步骤：1)通过2D激光雷达照射到障碍物生成激光点云构建实时动态的二维场景；2)将场景中的激光点云分割成簇，剔除点数较少的点云簇，对剩余的点云簇稀疏化处理，降低激光点云内点的密度的同时保证激光点云形状不变，再过滤除去离散度较高的点云簇；3)根据预先获取的行人和车辆的样本，计算各种几何特征，得到样本的特征向量，并对这些样本进行训练，得到分类模型，根据模型，通过计算每个点云簇的特征向量，计算目标簇为行人或者车辆的概率值；4)对选定区域内的目标簇，进行概率判断，初步判断为行人或者车辆，再通过计算短时间内目标簇的运动速度和方向，过滤出符合行人或者车辆运动特征的簇，完成对车辆和行人的区分；
步骤1)中，将通过所述激光雷达得到的数据融合并转换成激光点云，根据2D激光雷达的位置，将激光点云投影到预先设定的地面坐标系中，构建实时动态场景，包括如下步骤：A)选取使用的2D激光雷达中的其中一个，以其安装位置为平面坐标原点，激光雷达前方为x方向，左方为y方向，建立地面坐标系；B)对于使用多个激光雷达的方案，融合所有激光雷达获取的数据，以激光点云形式投影到地面坐标系；对于使用单个激光雷达的方案，直接将数据转化为激光点云，投影到地面坐标系；
步骤2)中，将场景中的激光点云分割，筛选后，得到候选目标点云簇，包括如下步骤：C)计算激光点云内每两个激光点之间的距离，将点间距离大于限定值的激光点划分开，提取出点间距离小于限定值的激光点作为点云簇，所述的限定值为0.2米；D)对各个点云簇内的点计数，剔除不符合预先设定点数范围的点云簇，得到候选点云簇，每一簇中激光点的数量范围是10-2000；E)对候选点云簇进行网格筛选，降低点云的点密度，同时保持点云的形状特征不变，网格的大小为2厘米x2厘米，筛选过后每一个网格中只留下一个点；F)再次计算各个点云簇内的点间距离，过滤除去离散度高于设定值的点，对于每一簇点云，计算每一个点与其周围10个点的距离，得到代表疏密程度的值；对于每一簇点云，去除掉其中稀疏区域的点，排除离散点对于点云几何特征的影响，获得具有规整形状的点云簇；
步骤3)中，包括如下步骤：G)采集样本，分别记录行人和车辆的激光点数据样本；对收集到的样本，转化为激光点云后分割成点云簇样本，分别标记后得到两类样本：行人和车辆；H)选取样本的几何特征，计算各个样本的特征值；I)根据计算的特征值，使用随机森林分类器，进行聚类分析，训练样本后产生模型；J)计算步骤2)中获取的目标簇的特征值，根据模型，解算目标簇代表行人或者车辆的概率；
步骤4)中，包括如下步骤：K)根据预先设定的概率阈值，对每一目标簇进行概率判断，初步识别为行人或者车辆；L)对于初步识别通过的目标簇，通过计算短时间间隔内目标的位移，判断出目标簇的运动方向和速度，过滤出符合行人或者车辆运动特征的目标簇，识别为行人或者车辆；
如图2、图3所示，基于2D激光雷达区分行人和车辆的装置，装置设于道路斑马线区域，装置与后台服务器连通，装置包括控制箱、至少一组雷达装置，控制箱设有相互连接的控制电路板、电源模块、远程通信模块，雷达装置包括安装立柱1、2D激光雷达2，安装立柱1为空心柱，安装立柱1上部设有可容纳并固定2D激光雷达2的设备腔，2D激光雷达2与控制电路板连接，远程通信模块与后台服务器连通；
2D激光雷达2底部与地面的距离不低于85厘米；
斑马线区域3设有两组雷达装置，两组雷达装置分别设于斑马线区域3的对角位置。
具体使用过程是，后台服务器通过远程通信模块(物联网连接)、控制电路板与2D激光雷达2连接，操控2D激光雷达2照射到障碍物生成激光点云构建实时动态的二维场景，进行概率判断，初步判断为行人或者车辆，再通过计算短时间内目标簇经过斑马线区域的运动速度和方向，过滤出符合行人或者车辆运动特征的簇，完成对车辆和行人的区分。
Claims (8)
1.一种基于2D激光雷达区分行人和车辆的方法，在道路上设置若干2D激光雷达，其特征在于，包括如下步骤：
1)通过2D激光雷达照射到障碍物生成激光点云构建实时动态的二维场景；
2)将场景中的激光点云分割成簇，剔除点数较少的点云簇，对剩余的点云簇稀疏化处理，降低激光点云内点的密度的同时保证激光点云形状不变，再过滤除去离散度较高的点云簇；
3)根据预先获取的行人和车辆的样本，计算各种几何特征，得到样本的特征向量，并对这些样本进行训练，得到分类模型，根据模型，通过计算每个点云簇的特征向量，计算目标簇为行人或者车辆的概率值；
4)对选定区域内的目标簇，进行概率判断，初步判断为行人或者车辆，再通过计算短时间内目标簇的运动速度和方向，过滤出符合行人或者车辆运动特征的簇，完成对车辆和行人的区分。
2.根据权利要求1所述的基于2D激光雷达区分行人和车辆的方法，其特征是，所述的步骤1)中，将通过所述激光雷达得到的数据融合并转换成激光点云，根据2D激光雷达的位置，将激光点云投影到预先设定的地面坐标系中，构建实时动态场景，包括如下步骤：
A)选取使用的2D激光雷达中的其中一个，以其安装位置为平面坐标原点，激光雷达前方为x方向，左方为y方向，建立地面坐标系；
B)对于使用多个激光雷达的方案，融合所有激光雷达获取的数据，以激光点云形式投影到地面坐标系；对于使用单个激光雷达的方案，直接将数据转化为激光点云，投影到地面坐标系。
3.根据权利要求1所述的基于2D激光雷达区分行人和车辆的方法，其特征是，所述的步骤2)中，将场景中的激光点云分割，筛选后，得到候选目标点云簇，包括如下步骤：
C)计算激光点云内每两个激光点之间的距离，将点间距离大于限定值的激光点划分开，提取出点间距离小于限定值的激光点作为点云簇，所述的限定值为0.2米；
D)对各个点云簇内的点计数，剔除不符合预先设定点数范围的点云簇，得到候选点云簇，每一簇中激光点的数量范围是10-2000；
E)对候选点云簇进行网格筛选，降低点云的点密度，同时保持点云的形状特征不变，网格的大小为2厘米x2厘米，筛选过后每一个网格中只留下一个点；
F)再次计算各个点云簇内的点间距离，过滤除去离散度高于设定值的点，对于每一簇点云，计算每一个点与其周围10个点的距离，得到代表疏密程度的值；对于每一簇点云，去除掉其中稀疏区域的点，排除离散点对于点云几何特征的影响，获得具有规整形状的点云簇。
4.根据权利要求1所述的基于2D激光雷达区分行人和车辆的方法，其特征是，所述的步骤3)中，包括如下步骤：
G)采集样本，分别记录行人和车辆的激光点数据样本；对收集到的样本，转化为激光点云后分割成点云簇样本，分别标记后得到两类样本：行人和车辆；
H)选取样本的几何特征，计算各个样本的特征值；
I)根据计算的特征值，使用随机森林分类器，进行聚类分析，训练样本后产生模型；
J)计算步骤2)中获取的目标簇的特征值，根据模型，解算目标簇代表行人或者车辆的概率。
5.根据权利要求1所述的基于2D激光雷达区分行人和车辆的方法，其特征是，所述的步骤4)中，包括如下步骤：
K)根据预先设定的概率阈值，对每一目标簇进行概率判断，初步识别为行人或者车辆；
L)对于初步识别通过的目标簇，通过计算短时间间隔内目标的位移，判断出目标簇的运动方向和速度，过滤出符合行人或者车辆运动特征的目标簇，识别为行人或者车辆。
6.一种采用权利要求1所述方法的基于2D激光雷达区分行人和车辆的装置，所述的装置设于道路斑马线区域，所述装置与后台服务器连通，其特征在于，所述的装置包括控制箱、至少一组雷达装置，所述的控制箱设有相互连接的控制电路板、电源模块、远程通信模块，所述的雷达装置包括安装立柱、2D激光雷达，所述的安装立柱为空心柱，所述安装立柱上部设有可容纳并固定2D激光雷达的设备腔，所述的2D激光雷达与控制电路板连接，所述的远程通信模块与后台服务器连通。
7.根据权利要求6所述的基于2D激光雷达区分行人和车辆的装置，其特征是，所述的2D激光雷达底部与地面的距离不低于85厘米。
8.根据权利要求6所述的基于2D激光雷达区分行人和车辆的装置，其特征是，所述的斑马线区域设有两组雷达装置，所述的两组雷达装置分别设于斑马线的对角位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810879098.0A CN108717540B (zh) | 2018-08-03 | 2018-08-03 | 基于2d激光雷达区分行人和车辆的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810879098.0A CN108717540B (zh) | 2018-08-03 | 2018-08-03 | 基于2d激光雷达区分行人和车辆的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108717540A true CN108717540A (zh) | 2018-10-30 |
| CN108717540B CN108717540B (zh) | 2024-02-06 |
Family
ID=63914307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810879098.0A Active CN108717540B (zh) | 2018-08-03 | 2018-08-03 | 基于2d激光雷达区分行人和车辆的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108717540B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599802A (zh) * | 2019-08-16 | 2019-12-20 | 同济大学 | 一种人行横道预警实施方法及预警系统 |
| CN111178413A (zh) * | 2019-12-20 | 2020-05-19 | 浙江欣奕华智能科技有限公司 | 一种3d点云语义分割的方法、装置及系统 |
| CN111444767A (zh) * | 2020-02-25 | 2020-07-24 | 华中科技大学 | 一种基于激光雷达的行人检测和追踪方法 |
| CN111932943A (zh) * | 2020-10-15 | 2020-11-13 | 深圳市速腾聚创科技有限公司 | 动态目标的检测方法、装置、存储介质及路基监测设备 |
| WO2021102676A1 (zh) * | 2019-11-26 | 2021-06-03 | 深圳市大疆创新科技有限公司 | 物体状态获取方法、可移动平台及存储介质 |
| CN113033586A (zh) * | 2019-12-24 | 2021-06-25 | 深圳市大富科技股份有限公司 | 目标识别方法及设备 |
| CN113076922A (zh) * | 2021-04-21 | 2021-07-06 | 北京经纬恒润科技股份有限公司 | 一种物体检测方法及装置 |
| CN113128610A (zh) * | 2021-04-26 | 2021-07-16 | 苏州飞搜科技有限公司 | 一种工业零件位姿估计方法及系统 |
| CN113313654A (zh) * | 2021-06-23 | 2021-08-27 | 上海西井信息科技有限公司 | 激光点云滤波去噪方法、系统、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101702200A (zh) * | 2009-11-03 | 2010-05-05 | 武汉大学 | 一种机载激光雷达点云数据的自动分类方法 |
| US20130242284A1 (en) * | 2012-03-15 | 2013-09-19 | GM Global Technology Operations LLC | METHODS AND APPARATUS OF FUSING RADAR/CAMERA OBJECT DATA AND LiDAR SCAN POINTS |
| CN104035439A (zh) * | 2012-03-15 | 2014-09-10 | 通用汽车环球科技运作有限责任公司 | 用多个激光雷达传感器利用扫描点追踪物体的贝叶斯网络 |
| 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 |
| CN105701479A (zh) * | 2016-02-26 | 2016-06-22 | 重庆邮电大学 | 基于目标特征的智能车辆多激光雷达融合识别方法 |
| CN105701478A (zh) * | 2016-02-24 | 2016-06-22 | 腾讯科技（深圳）有限公司 | 杆状地物提取的方法和装置 |
| WO2017020466A1 (zh) * | 2015-08-04 | 2017-02-09 | 百度在线网络技术（北京）有限公司 | 基于激光点云的城市道路识别方法、装置、存储介质及设备 |
| CN106570454A (zh) * | 2016-10-10 | 2017-04-19 | 同济大学 | 基于移动激光扫描的行人交通参数提取方法 |
| JP2018063236A (ja) * | 2016-10-13 | 2018-04-19 | バイドゥ ネットコム サイエンス アンド テクノロジー（ペキン） カンパニー リミテッド | 点群データにアノテーションを付与する方法および装置 |
-
2018
- 2018-08-03 CN CN201810879098.0A patent/CN108717540B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101702200A (zh) * | 2009-11-03 | 2010-05-05 | 武汉大学 | 一种机载激光雷达点云数据的自动分类方法 |
| US20130242284A1 (en) * | 2012-03-15 | 2013-09-19 | GM Global Technology Operations LLC | METHODS AND APPARATUS OF FUSING RADAR/CAMERA OBJECT DATA AND LiDAR SCAN POINTS |
| CN104035439A (zh) * | 2012-03-15 | 2014-09-10 | 通用汽车环球科技运作有限责任公司 | 用多个激光雷达传感器利用扫描点追踪物体的贝叶斯网络 |
| 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 |
| WO2017020466A1 (zh) * | 2015-08-04 | 2017-02-09 | 百度在线网络技术（北京）有限公司 | 基于激光点云的城市道路识别方法、装置、存储介质及设备 |
| CN105701478A (zh) * | 2016-02-24 | 2016-06-22 | 腾讯科技（深圳）有限公司 | 杆状地物提取的方法和装置 |
| CN105701479A (zh) * | 2016-02-26 | 2016-06-22 | 重庆邮电大学 | 基于目标特征的智能车辆多激光雷达融合识别方法 |
| CN106570454A (zh) * | 2016-10-10 | 2017-04-19 | 同济大学 | 基于移动激光扫描的行人交通参数提取方法 |
| JP2018063236A (ja) * | 2016-10-13 | 2018-04-19 | バイドゥ ネットコム サイエンス アンド テクノロジー（ペキン） カンパニー リミテッド | 点群データにアノテーションを付与する方法および装置 |
Non-Patent Citations (4)
| Title |
|---|
| WAI YEUNG YAN等: "Automatic extraction of highway light poles and towers from mobile LiDAR data", 《BING》 * |
| YING ZHOU等: "A Fast and Accurate Segmentation Method for Ordered LiDAR Point Cloud of Large-Scale Scenes", 《IEEE》 * |
| 宋立鹏: "室外场景三维点云数据的分割与分类", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
| 张名芳: "一种用于道路障碍物识别的激光点云聚类算法", 《激光与红外》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599802A (zh) * | 2019-08-16 | 2019-12-20 | 同济大学 | 一种人行横道预警实施方法及预警系统 |
| WO2021102676A1 (zh) * | 2019-11-26 | 2021-06-03 | 深圳市大疆创新科技有限公司 | 物体状态获取方法、可移动平台及存储介质 |
| CN111178413A (zh) * | 2019-12-20 | 2020-05-19 | 浙江欣奕华智能科技有限公司 | 一种3d点云语义分割的方法、装置及系统 |
| CN113033586B (zh) * | 2019-12-24 | 2024-04-16 | 大富科技(安徽)股份有限公司 | 目标识别方法及设备 |
| CN113033586A (zh) * | 2019-12-24 | 2021-06-25 | 深圳市大富科技股份有限公司 | 目标识别方法及设备 |
| CN111444767B (zh) * | 2020-02-25 | 2022-06-21 | 华中科技大学 | 一种基于激光雷达的行人检测和追踪方法 |
| CN111444767A (zh) * | 2020-02-25 | 2020-07-24 | 华中科技大学 | 一种基于激光雷达的行人检测和追踪方法 |
| CN111932943A (zh) * | 2020-10-15 | 2020-11-13 | 深圳市速腾聚创科技有限公司 | 动态目标的检测方法、装置、存储介质及路基监测设备 |
| CN111932943B (zh) * | 2020-10-15 | 2021-05-14 | 深圳市速腾聚创科技有限公司 | 动态目标的检测方法、装置、存储介质及路基监测设备 |
| CN113076922A (zh) * | 2021-04-21 | 2021-07-06 | 北京经纬恒润科技股份有限公司 | 一种物体检测方法及装置 |
| CN113076922B (zh) * | 2021-04-21 | 2024-05-10 | 北京经纬恒润科技股份有限公司 | 一种物体检测方法及装置 |
| CN113128610A (zh) * | 2021-04-26 | 2021-07-16 | 苏州飞搜科技有限公司 | 一种工业零件位姿估计方法及系统 |
| CN113313654A (zh) * | 2021-06-23 | 2021-08-27 | 上海西井信息科技有限公司 | 激光点云滤波去噪方法、系统、设备及存储介质 |
| CN113313654B (zh) * | 2021-06-23 | 2023-12-15 | 上海西井科技股份有限公司 | 激光点云滤波去噪方法、系统、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108717540B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108717540A (zh) | 基于2d激光雷达区分行人和车辆的方法及装置 | |
| CN106570454B (zh) | 基于移动激光扫描的行人交通参数提取方法 | |
| WO2022141911A1 (zh) | 一种基于路侧感知单元的动态目标点云快速识别及点云分割方法 | |
| Yu et al. | Semiautomated extraction of street light poles from mobile LiDAR point-clouds | |
| CN101807352B (zh) | 一种模糊模式识别的车位检测方法 | |
| CN103176185B (zh) | 用于检测道路障碍物的方法及系统 | |
| CN110164146B (zh) | 一种协作式车流量检测方法 | |
| CN107423679A (zh) | 一种行人意图检测方法和系统 | |
| CN111461088B (zh) | 一种基于图像处理与目标识别的轨道交通避障系统 | |
| 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系统和方法 | |
| CN113345237A (zh) | 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质 | |
| CN102819764A (zh) | 一种适用于交通路口复杂场景下的多视角人流量统计方法 | |
| Lee et al. | Clustering learning model of CCTV image pattern for producing road hazard meteorological information | |
| Jan et al. | A convolutional neural network based deep learning technique for identifying road attributes | |
| CN109272482A (zh) | 一种基于序列图像的城市路口车辆排队检测系统 | |
| CN103500329A (zh) | 基于车载移动激光扫描点云的路灯自动提取方法 | |
| CN110765224A (zh) | 电子地图的处理方法、车辆视觉重定位的方法和车载设备 | |
| CN103164958A (zh) | 车辆监控方法及系统 | |
| CN114329074B (zh) | 一种匝道路段通行能效检测方法和系统 | |
| CN109191492A (zh) | 一种基于轮廓分析的智能视频黑烟车检测方法 | |
| CN114155720B (zh) | 一种路侧激光雷达的车辆检测和轨迹预测方法 | |
| CN103149603A (zh) | 一种基于视频的道路气象检测方法 | |
| CN106960193A (zh) | 一种车道线检测装置和方法 | |
| CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
| CN113111876A (zh) | 一种用于交通违章取证的方法及系统 |
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 |