CN109948635B - 一种基于激光扫描的目标识别方法及装置 - Google Patents
一种基于激光扫描的目标识别方法及装置 Download PDFInfo
- Publication number
- CN109948635B CN109948635B CN201711394396.2A CN201711394396A CN109948635B CN 109948635 B CN109948635 B CN 109948635B CN 201711394396 A CN201711394396 A CN 201711394396A CN 109948635 B CN109948635 B CN 109948635B
- Authority
- CN
- China
- Prior art keywords
- point
- dimensional coordinate
- clustering
- category
- points
- 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
Landscapes
- Image Analysis (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供一种基于激光扫描的目标识别方法及装置,方法包括获取通过激光雷达对待识别场景进行激光扫描反射得到的各个点的数据,并根据各个点的数据计算各个点的三维坐标值;数据包括激光雷达扫描到的采样点与激光雷达之间的直线距离值;根据各个点的三维坐标值获取各个点的二维坐标值,并根据各个点的直线距离值和各个点的二维坐标值对各个点进行聚类,生成多个类别;根据聚类形成的各个类别的点的二维坐标值计算各个目标信息;根据各个目标信息确定待识别场景中的各个目标。本发明针对车载激光雷达水平分辨率和垂直分辨率不相同问题,采用密度聚类算法进行聚类,聚类半径是关于直线距离的自适应,获得的聚类结果较好,从而提高目标识别精度。
Description
技术领域
本发明涉及计算机处理技术领域,特别涉及一种基于激光扫描的目标识别方法及装置。
背景技术
随着汽车行业的不断发展,无人驾驶技术已经成为智能交通和人工智能领域的一个研究热点,其发展将会大大提高交通系统的效率和安全性,对现代交通系统和智慧城市有着重要的意义。
在大部分无人驾驶汽车中,激光雷达作为环境感知的传感器已经成为不可或缺的一部分。无人驾驶汽车中的目标识别,一类方案仅采用激光雷达的点云数据进行目标识别,但是没有考虑激光的水平分辨率和垂直分辨率不同的特点,激光扫描到的目标点云分布不均匀,目标聚类效果差导致目标识别精度低;一类方案是激光雷达和其他传感器的融合做目标识别,例如摄像头、毫米波雷达,该方案的缺点在于复杂度高。
发明内容
本发明提供一种至少部分解决上述技术问题的基于激光扫描的目标识别方法及装置。
第一方面,本发明提供一种基于激光扫描的目标识别方法,包括:
获取通过激光雷达对待识别场景进行激光扫描反射得到的各个点的数据,并根据各个点的数据,计算各个点的三维坐标值;所述数据包括:激光雷达扫描到的采样点与激光雷达之间的直线距离值;
根据所述各个点的三维坐标值,获取各个点的二维坐标值,并根据各个点的所述直线距离值和各个点的二维坐标值,对各个点进行聚类,生成多个类别;
根据聚类形成的各个类别的点的二维坐标值,计算各个目标信息;
根据各个目标信息,确定待识别场景中的各个目标。
优选的,根据各个点的所述直线距离值和各个点的二维坐标值,对各个点进行聚类,生成多个类别,包括:
根据各个点的所述直线距离值,计算与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径以及与各个点对应的类别所包含的最小点数;
根据与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径、与各个点对应的类别所包含的最小点数以及各个点的二维坐标值,对各个点进行聚类,生成多个类别。
优选的,根据各个点的所述直线距离值,计算与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径以及与各个点对应的类别所包含的最小点数,包括:
根据各个点的所述直线距离值,分别通过公式(一)、(二)和(三)计算与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径以及与各个点对应的待聚类的各个类别所包含的最小点数
EpsXi=A*Di*tan(α)(一)
EpsYi=B*Di*tan(β)(二)
MinPtsi=f(Di)(三)
其中,EpsXi为与第i个点对应的激光雷达x方向的聚类半径,EpsYi为与第i个点对应的激光雷达y方向的聚类半径,Di为第i个点的所述直线距离值,α和β为激光雷达X方向的分辨率和Y方向的分辨率,A、B为半径系数;MinPtsi为与第i个点对应的类别所包含的最小点数。
优选的,根据与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径、与各个点对应的类别所包含的最小点数以及各个点的二维坐标值,对各个点进行聚类,生成多个类别,包括:
根据与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径、与各个点对应的类别所包含的最小点数以及各个点的二维坐标值,判断各个点的类型;所述类型为核心点、噪声点或边界点;
根据各个点的类型和各个点的二维坐标值,对各个点进行聚类,生成多个类别。
优选的,根据聚类形成的各个类别的点的二维坐标值,计算各个目标信息,包括:
根据聚类形成的各个类别的点的二维坐标值,采用预设边缘点检测方法获取各个类别的边缘点的二维坐标值;
根据各个类别的边缘点的二维坐标值,获取对应类别的点集的最小外接矩形的特征信息;所述点集为每个类别中所包含的点组成的集合;
确定各个最小外接矩形的特征信息为各个目标信息。
优选的,根据各个类别的边缘点的二维坐标值,获取对应类别的点集的最小外接矩形的特征信息,包括:
根据各个类别的边缘点的二维坐标值,获取对应类别的边缘点中距离最大的两个点的二维坐标值;
根据所述对应类别的边缘点中距离最大的两个点的二维坐标值生成初始外接矩形并计算所述初始外接矩形的面积,将所述初始外接矩形作为当前外接矩形,将所述初始外接矩形的面积作为当前外接矩形的面积;
将所述当前外接矩形按照预设方向旋转预设角度生成旋转后的外接矩形,计算旋转后的外接矩形的面积;
判断所述旋转后的外接矩形的面积是否大于所述当前外接矩形的面积,将所述旋转后的外接矩形作为当前外接矩形,将所述旋转后的外接矩形的面积作为当前外接矩形的面积,根据判断结果确定是否重复将所述当前外接矩形按照预设方向旋转预设角度生成旋转后的外接矩形步骤,直到旋转后的外接矩形的面积大于当前外接矩形的面积,获取当前外接矩形的特征信息,并将所述当前外接矩形的特征信息作为该类别的点集的最小外接矩形的特征信息。
优选的,根据所述对应类别的边缘点中距离最大的两个点的二维坐标值生成初始外接矩形并计算所述初始外接矩形的面积,包括:根据所述对应类别的边缘点中距离最大的两个点的二维坐标值,计算由所述两个点构成的直线的斜率;
根据所述斜率,生成所述初始外接矩形;
获取所述初始外接矩形的特征信息,并根据所述初始外接矩形的特征信息计算所述初始外接矩形的面积。
优选的,所述方法还包括:
若判断获知所述目标信息和预先获取的历史目标信息匹配,则用所述目标信息和所述历史目标信息更新所述目标信息;
若判断获知所述目标信息和所述历史目标信息不匹配,则保存所述目标信息和所述历史目标信息中不匹配的目标信息。
优选的,用所述目标信息和所述历史目标信息更新所述目标信息之后,所述方法还包括:
根据更新后的目标信息对应的扫描帧数和目标对应的类别中点的数量,通过加权计算置信度。
第二方面,本发明还提供一种基于激光扫描的目标识别装置,包括:
获取单元,用于获取通过激光雷达对待识别场景进行激光扫描反射得到的各个点的数据;
第一计算单元,用于根据各个点的数据,计算各个点的三维坐标值;所述数据包括:激光雷达扫描到的采样点与激光雷达之间的直线距离值;
聚类单元,用于根据所述各个点的三维坐标值,获取各个点的二维坐标值,并根据各个点的所述直线距离值和各个点的二维坐标值,对各个点进行聚类,生成多个类别;
第二计算单元,用于根据聚类形成的各个类别的点的二维坐标值,计算各个目标信息;
确定单元,用于根据各个目标信息,确定待识别场景中的各个目标。
由上述技术方案可知,本发明针对车载激光雷达水平分辨率和垂直分辨率不相同问题,采用密度聚类算法进行聚类,聚类半径是关于所述直线距离的自适应,获得的聚类结果较好,从而可以提高目标识别精度,因此,本发的目标识别方法复杂度低、精度高的方法,对于任意形状的目标(如机动车、非机动车、行人、路沿、栅栏、电线杆、路桩、柱状障碍物、地面塌陷)能进行准确的识别。
附图说明
图1为本发明一实施例提供的一种基于激光扫描的目标识别方法的流程图;
图2为本发明另一种实施例提供的一种基于激光扫描的目标识别装置的原理框图。
具体实施方式
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,都属于本发明保护的范围。
图1为本发明一实施例提供的一种基于激光扫描的目标识别方法的流程图。
如图1所示的一种基于激光扫描的目标识别方法,包括:
S101、获取通过激光雷达对待识别场景进行激光扫描反射得到的各个点的数据,并根据各个点的数据,计算各个点的三维坐标值;所述数据包括:激光雷达扫描到的采样点与激光雷达之间的直线距离值;
可以理解的是,所述的点的数据还可包含脉宽、角度中的一种或多种。
S102、根据所述各个点的三维坐标值,获取各个点的二维坐标值,并根据各个点的所述直线距离值和各个点的二维坐标值,对各个点进行聚类,生成多个类别;
所述直线距离值为上述激光雷达扫描到的采样点与激光雷达之间的直线距离值,下文相同。
S103、根据聚类形成的各个类别的点的二维坐标值,计算各个目标信息;
S104、根据各个目标信息,确定待识别场景中的各个目标。
本实施例针对车载激光雷达水平分辨率和垂直分辨率不相同问题,采用密度聚类算法进行聚类,聚类半径是关于所述直线距离的自适应,获得的聚类结果较好,从而可以提高目标识别精度,因此,本发的目标识别方法复杂度低、精度高的方法,对于任意形状的目标(如机动车、非机动车、行人、路沿、栅栏、电线杆、路桩、柱状障碍物、地面塌陷)能进行准确的识别。
上述实施例中是采用点的二维坐标值进行计算,确定待识别场景中的各个目标,为了简化算法,作为一种优选实施例,还可以根据各个点的二维坐标值中的Z值和预设高度阈值,获取非地面点的二维坐标值;
可以理解的是,将Z值大于等于所述预设高度阈值的点的作为坐标作为非地面点的二维坐标值。
由于获取点的数据的激光雷达的水平分辨率和垂直分辨率往往不相等,因此在进行聚类算法时,水平方向和垂直方向不能采用相同阈值的距离参数;同时不同距离下点的密度不同,距离越远点的密度越小,因此不同的距离不能采用相同阈值的距离参数。基于此,作为一种优选实施例,所述步骤S102中的根据各个点的所述直线距离值和各个点的二维坐标值,对各个点进行聚类,生成多个类别,包括:
根据各个点的所述直线距离值,计算与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径以及与各个点对应的类别所包含的最小点数;
在一种具体实施例中,根据各个点的所述直线距离值,计算与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径以及与各个点对应的类别所包含的最小点数,包括:
根据各个点的所述直线距离值,分别通过公式(一)、(二)和(三)计算与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径以及与各个点对应的类别所包含的最小点数
EpsXi=A*Di*tan(α)(一)
EpsYi=B*Di*tan(β)(二)
MinPtsi=f(Di)(三)
其中,EpsXi为与第i个点对应的激光雷达x方向的聚类半径,EpsYi为与第i个点对应的激光雷达y方向的聚类半径,Di为第i个点的所述直线距离值,α和β为激光雷达X方向的分辨率和Y方向的分辨率,为预知值,A、B为半径系数,为已知值;MinPtsi为与第i个点对应的类别所包含的最小点数。f(Di)可以为关于Di的线性函数或非线性函数。
根据与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径、与各个点对应的类别所包含的最小点数以及各个点的二维坐标值,对各个点进行聚类,生成多个类别。
本实施例方法是对基于密度的DBSCAN算法的改进,改进后的方法能对激光雷达的点的数据进行各种形状目标的聚类,不论是规则的机动车,还是不规则的非机动车以及行人、路沿、电线杆等行驶环境中的一切障碍物进行准确的聚类。
在一种具体实施例中,根据与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径、与各个点对应的类别所包含的最小点数以及各个点的二维坐标值,对各个点进行聚类,生成多个类别,包括:
根据与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径、与各个点对应的类别所包含的最小点数以及各个点的二维坐标值,判断各个点的类型;所述类型为核心点、噪声点或边界点;
可以理解的是,该步骤为依次判断各个点是否为核心点、噪声点或边界点。具体判断方法可采用现有方法,不再赘述。
根据各个点的类型和各个点的二维坐标值,对各个点进行聚类,生成多个类别。
该步骤可采用现有方法,不再赘述。
作为一种优选实施例,所述步骤S103,包括:
根据聚类形成的各个类别的点的二维坐标值,采用预设边缘点检测方法获取各个类别的边缘点的二维坐标值;
可以理解的是,所述的边缘点检测方法(边界点检测方法)可以为Graham扫描法、Jarvis步进法、分算法、增量法、剪枝-搜索法的一种。
根据各个类别的边缘点的二维坐标值,获取对应类别的点集的最小外接矩形的特征信息;所述点集为每个类别中所包含的点组成的集合;
确定各个最小外接矩形的特征信息为各个目标信息。
可以理解的是,所述目标信息包含最小外接矩形的长、宽和中心点位置,偏航角度,最小外接矩形的长宽为目标长宽,最小外接矩形的中心点位置为目标位置,最小外接矩形的长方向为目标的偏航角度或偏航角度的反方向。作为一种优选实施例,根据各个类别的边缘点的二维坐标值,获取对应类别的点集的最小外接矩形的特征信息,包括:
根据各个类别的点的边缘点的二维坐标值,获取对应类别的边缘点中距离最大的两个点的二维坐标值;
根据所述对应类别的边缘点中距离最大的两个点的二维坐标值,生成初始外接矩形并计算所述初始外接矩形的面积;将所述初始外接矩形作为当前外接矩形,将所述初始外接矩形的面积作为当前外接矩形的面积;
将所述当前外接矩形按照预设方向旋转预设角度生成旋转后的外接矩形,计算旋转后的外接矩形的面积;
判断所述旋转后的外接矩形的面积是否大于所述当前外接矩形的面积,将所述旋转后的外接矩形作为当前外接矩形,将所述旋转后的外接矩形的面积作为当前外接矩形的面积,根据判断结果确定是否重复将所述当前外接矩形按照预设方向旋转预设角度生成旋转后的外接矩形步骤,直到旋转后的外接矩形的面积大于当前外接矩形的面积,获取当前外接矩形的特征信息,并将所述当前外接矩形的特征信息作为该类别的点集的最小外接矩形的特征信息。
上述步骤具体包括:
若旋转后的外接矩形的面积小于当前外接矩形的面积,则将旋转后的外接矩形作为当前外接矩形,将所述旋转后的外接矩形的面积作为当前外接矩形的面积,重复将所述当前外接矩形按照预设方向旋转预设角度生成旋转后的外接矩形步骤;
若旋转后的外接矩形的面积大于当前外接矩形的面积,则停止旋转,确认当前外接矩形为最小外接矩形,则当前外接矩形的特征信息为最小外接矩形的特征信息。
本步骤是将面积最小的外接矩形作为类别的点集的最小外接矩形。
作为一种优选实施例,根据所述对应类别的边缘点中距离最大的两个点的二维坐标值生成初始外接矩形并计算所述初始外接矩形的面积,包括:
根据所述对应类别的边缘点中距离最大的两个点的二维坐标值,计算由所述两个点构成的直线的斜率;
根据所述斜率,生成所述初始外接矩形;
获取所述初始外接矩形的特征信息,并根据所述初始外接矩形的特征信息计算所述初始外接矩形的面积。
具体地,计算对应类别的边缘点中的最大距离点对,即距离最大的两个点。以最大距离点对组成的直线作为矩形的一个对角线,并定义最大距离点对组成的直线的方程为y=kx+b;根据所有边缘点计算经过各个边缘点且斜率为k和-1/k的直线的截距,如经过边缘点Pi点的斜率为k的直线的截距为Ci,经过该边缘点且斜率为-1/k的直线的截距Di,并找出与所有边缘点对应的斜率为k的直线的截距中最大值Cmax和最小值Cmin以及与所有边缘点对应的斜率为-1/k的直线的截距最大值的Dmax和最小值Dmin,直线y=kx+Cmin,y=kx+Cmax,y=kx+Dmin,y=kx+Dmax组成的矩形为初始外接矩形。
作为一种优选实施例,所述方法还包括:
若判断获知所述目标信息和预先获取的历史目标信息匹配,则用所述目标信息和所述历史目标信息更新所述目标信息;
值得说明的是,在上述实施例获取的是激光雷达当前帧的各个点的数据时,历史目标信息可以是采用本发明的上述方法通过激光雷达历史帧的各个点的数据计算得到的目标信息。
若判断获知所述目标信息和所述历史目标信息不匹配,则保存所述目标信息和所述历史目标信息中不匹配的目标信息。
本实施例通过多个不同数据的判断,增加了目标识别的置信度,防止一些误判或漏判的产生,同时随着点云不同位置下的多帧数据,能够还原目标的最完整轮廓参数,准确输出目标的整体信息,而不是单帧下的局部信息。
作为一种优选实施例,用所述目标信息和所述历史目标信息更新所述目标信息之后,所述方法还包括:
根据更新后的目标信息对应的扫描帧数和目标对应的类别中点的数量,通过加权计算置信度。
通过本实施例方法可以验证上述实施例的置信度。
图2为本发明另一种实施例提供的一种基于激光扫描的目标识别装置的原理框图。
如图2所示的一种基于激光扫描的目标识别装置,包括:
获取单元201,用于获取通过激光雷达对待识别场景进行激光扫描反射得到的各个点的数据;
第一计算单元202,用于根据各个点的数据,计算各个点的三维坐标值;所述数据包括:激光雷达扫描到的采样点与激光雷达之间的直线距离值;
聚类单元203,用于根据所述各个点的三维坐标值,获取各个点的二维坐标值,并根据各个点的所述直线距离值和各个点的二维坐标值,对各个点进行聚类,生成多个类别;
第二计算单元204,用于根据聚类形成的各个类别的点的二维坐标值,计算各个目标信息;
确定单元205,用于根据各个目标信息,确定待识别场景中的各个目标。
对于装置实施例而言,由于其与方法实施例基本相似,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。
应当注意的是,在本发明的装置的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本发明不受限于此,可以根据需要对各个部件进行重新划分或者组合,例如,可以将一些部件组合为单个部件,或者可以将一些部件进一步分解为更多的子部件。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上实施方式仅适于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (9)
1.一种基于激光扫描的目标识别方法,其特征在于,包括:
获取通过激光雷达对待识别场景进行激光扫描反射得到的各个点的数据,并根据各个点的数据,计算各个点的三维坐标值;所述数据包括:激光雷达扫描到的采样点与激光雷达之间的直线距离值;
根据所述各个点的三维坐标值,获取各个点的二维坐标值,并根据各个点的所述直线距离值和各个点的二维坐标值,对各个点进行聚类,生成多个类别;
根据聚类形成的各个类别的点的二维坐标值,计算各个目标信息;
根据各个目标信息,确定待识别场景中的各个目标;
其中,根据各个点的所述直线距离值和各个点的二维坐标值,对各个点进行聚类,生成多个类别,包括:
根据各个点的所述直线距离值,计算与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径以及与各个点对应的类别所包含的最小点数;
根据与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径、与各个点对应的类别所包含的最小点数以及各个点的二维坐标值,对各个点进行聚类,生成多个类别。
2.根据权利要求1所述的方法,其特征在于,根据各个点的所述直线距离值,计算与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径以及与各个点对应的类别所包含的最小点数,包括:
根据各个点的所述直线距离值,分别通过公式(一)、(二)和(三)计算与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径以及与各个点对应的类别所包含的最小点数
EpsXi = A*Di*tan(α) (一)
EpsYi = B*Di*tan(β)(二)
MinPtsi = f(Di)(三)
其中,EpsXi为与第i个点对应的激光雷达x方向的聚类半径,EpsYi为与第i个点对应的激光雷达y方向的聚类半径,Di为第i个点的所述直线距离值,α为激光雷达X方向的分辨率,β为激光雷达Y方向的分辨率,A、B为半径系数;MinPtsi为与第i个点对应的类别所包含的最小点数;f(Di)为关于Di的线性函数或非线性函数。
3.根据权利要求1所述的方法,其特征在于,根据与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径、与各个点对应的类别所包含的最小点数以及各个点的二维坐标值,对各个点进行聚类,生成多个类别,包括:
根据与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径、与各个点对应的类别所包含的最小点数以及各个点的二维坐标值,判断各个点的类型;所述类型为核心点、噪声点或边界点;
根据各个点的类型和各个点的二维坐标值,对各个点进行聚类,生成多个类别。
4.根据权利要求1所述的方法,其特征在于,根据聚类形成的各个类别的点的二维坐标值,计算各个目标信息,包括:
根据聚类形成的各个类别的点的二维坐标值,采用预设边缘点检测方法获取各个类别的边缘点的二维坐标值;
根据各个类别的边缘点的二维坐标值,获取对应类别的点集的最小外接矩形的特征信息;所述点集为每个类别中所包含的点组成的集合;
确定各个最小外接矩形的特征信息为各个目标信息。
5.根据权利要求4所述的方法,其特征在于,根据各个类别的边缘点的二维坐标值,获取对应类别的点集的最小外接矩形的特征信息,包括:
根据各个类别的边缘点的二维坐标值,获取对应类别的边缘点中距离最大的两个点的二维坐标值;
根据所述对应类别的边缘点中距离最大的两个点的二维坐标值生成初始外接矩形并计算所述初始外接矩形的面积,将所述初始外接矩形作为当前外接矩形,将所述初始外接矩形的面积作为当前外接矩形的面积;
将所述当前外接矩形按照预设方向旋转预设角度生成旋转后的外接矩形,计算旋转后的外接矩形的面积;
判断所述旋转后的外接矩形的面积是否大于所述当前外接矩形的面积,若旋转后的外接矩形的面积小于当前外接矩形的面积,将所述旋转后的外接矩形作为当前外接矩形,将所述旋转后的外接矩形的面积作为当前外接矩形的面积,根据判断结果确定是否重复将所述当前外接矩形按照预设方向旋转预设角度生成旋转后的外接矩形步骤,直到旋转后的外接矩形的面积大于当前外接矩形的面积,获取当前外接矩形的特征信息,并将所述当前外接矩形的特征信息作为该类别的点集的最小外接矩形的特征信息。
6.根据权利要求5所述的方法,其特征在于,根据所述对应类别的边缘点中距离最大的两个点的二维坐标值生成初始外接矩形并计算所述初始外接矩形的面积,包括:
根据所述对应类别的边缘点中距离最大的两个点的二维坐标值,计算由所述两个点构成的直线的斜率;
根据所述斜率,生成所述初始外接矩形;
获取所述初始外接矩形的特征信息,并根据所述初始外接矩形的特征信息计算所述初始外接矩形的面积。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若判断获知所述目标信息和预先获取的历史目标信息匹配,则用所述目标信息和所述历史目标信息更新所述目标信息;
若判断获知所述目标信息和所述历史目标信息不匹配,则保存所述目标信息和所述历史目标信息中不匹配的目标信息。
8.根据权利要求7所述的方法,其特征在于,用所述目标信息和所述历史目标信息更新所述目标信息之后,所述方法还包括:
根据更新后的目标信息对应的扫描帧数和目标对应的类别中点的数量,通过加权计算置信度。
9.一种基于激光扫描的目标识别装置,其特征在于,包括:
获取单元,用于获取通过激光雷达对待识别场景进行激光扫描反射得到的各个点的数据;
第一计算单元,用于根据各个点的数据,计算各个点的三维坐标值;所述数据包括:激光雷达扫描到的采样点与激光雷达之间的直线距离值;
聚类单元,用于根据所述各个点的三维坐标值,获取各个点的二维坐标值,并根据各个点的所述直线距离值和各个点的二维坐标值,对各个点进行聚类,生成多个类别;
其中,所述聚类单元根据各个点的所述直线距离值和各个点的二维坐标值,对各个点进行聚类,生成多个类别,包括:
所述聚类单元根据各个点的所述直线距离值,计算与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径以及与各个点对应的类别所包含的最小点数;根据与各个点对应的激光雷达x方向的聚类半径、与各个点对应的激光雷达y方向的聚类半径、与各个点对应的类别所包含的最小点数以及各个点的二维坐标值,对各个点进行聚类,生成多个类别;
第二计算单元,用于根据聚类形成的各个类别的点的二维坐标值,计算各个目标信息;
确定单元,用于根据各个目标信息,确定待识别场景中的各个目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394396.2A CN109948635B (zh) | 2017-12-21 | 2017-12-21 | 一种基于激光扫描的目标识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394396.2A CN109948635B (zh) | 2017-12-21 | 2017-12-21 | 一种基于激光扫描的目标识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948635A CN109948635A (zh) | 2019-06-28 |
CN109948635B true CN109948635B (zh) | 2021-04-27 |
Family
ID=67004716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711394396.2A Active CN109948635B (zh) | 2017-12-21 | 2017-12-21 | 一种基于激光扫描的目标识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948635B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456377B (zh) * | 2019-08-15 | 2021-07-30 | 中国人民解放军63921部队 | 一种基于三维激光雷达的卫星来袭异物检测方法和系统 |
CN110471043A (zh) * | 2019-08-28 | 2019-11-19 | 天津大学 | 基于阈值激光雷达3d点云数据压缩识别目标检测方法 |
CN112313538A (zh) * | 2019-11-05 | 2021-02-02 | 深圳市大疆创新科技有限公司 | 目标检测方法、雷达、设备及存储介质 |
CN112455396B (zh) * | 2020-12-18 | 2022-05-27 | 青海慧洗智能科技有限公司 | 面向自动洗车的车轮定位系统、方法和装置 |
CN115512316A (zh) * | 2021-06-04 | 2022-12-23 | 魔门塔(苏州)科技有限公司 | 静态障碍物接地轮廓线多帧融合方法、装置及介质 |
CN113759342B (zh) * | 2021-08-31 | 2023-10-24 | 柳州柳工叉车有限公司 | 一种激光雷达的扫描方法、装置、计算机设备和存储介质 |
CN114037558A (zh) * | 2021-11-05 | 2022-02-11 | 国网上海市电力公司 | 一种基于多维特征识别的输电线路防撞预警系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573705A (zh) * | 2014-10-13 | 2015-04-29 | 北京建筑大学 | 一种建筑物激光扫描点云数据的聚类方法 |
CN106355194A (zh) * | 2016-08-22 | 2017-01-25 | 广东华中科技大学工业技术研究院 | 一种基于激光成像雷达的无人艇水面目标处理方法 |
CN106407947A (zh) * | 2016-09-29 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的目标物体识别方法和装置 |
CN106560835A (zh) * | 2015-09-30 | 2017-04-12 | 高德软件有限公司 | 一种路牌识别方法及装置 |
-
2017
- 2017-12-21 CN CN201711394396.2A patent/CN109948635B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573705A (zh) * | 2014-10-13 | 2015-04-29 | 北京建筑大学 | 一种建筑物激光扫描点云数据的聚类方法 |
CN106560835A (zh) * | 2015-09-30 | 2017-04-12 | 高德软件有限公司 | 一种路牌识别方法及装置 |
CN106355194A (zh) * | 2016-08-22 | 2017-01-25 | 广东华中科技大学工业技术研究院 | 一种基于激光成像雷达的无人艇水面目标处理方法 |
CN106407947A (zh) * | 2016-09-29 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的目标物体识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109948635A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948635B (zh) | 一种基于激光扫描的目标识别方法及装置 | |
CN109870680B (zh) | 一种目标分类方法及装置 | |
CN111553859A (zh) | 一种激光雷达点云反射强度补全方法及系统 | |
CN111582054B (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
CN109635816B (zh) | 车道线生成方法、装置、设备以及存储介质 | |
CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及系统 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN116229408A (zh) | 一种图像信息与激光雷达点云信息融合的目标识别方法 | |
CN110390706B (zh) | 一种物体检测的方法和装置 | |
CN111308500B (zh) | 基于单线激光雷达的障碍物感知方法、装置和计算机终端 | |
CN113269889B (zh) | 一种基于椭圆域的自适应点云目标聚类方法 | |
CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
CN114648654A (zh) | 一种融合点云语义类别和距离的聚类方法 | |
CN114966651A (zh) | 可行驶区域检测方法、计算机设备、存储介质及车辆 | |
CN113970734A (zh) | 路侧多线激光雷达降雪噪点去除方法、装置及设备 | |
CN116071729A (zh) | 可行驶区域和路沿的检测方法、装置及相关设备 | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
CN109946708B (zh) | 一种基于激光雷达扫描的车道线检测方法及装置 | |
CN110363847B (zh) | 一种基于点云数据的地图模型构建方法和装置 | |
CN110390252B (zh) | 基于先验地图信息的障碍物检测方法、装置和存储介质 | |
CN111783648A (zh) | 道路点云中护栏的提取方法及装置 | |
CN115236643B (zh) | 一种传感器标定方法、系统、装置、电子设备及介质 | |
Oniga et al. | A fast ransac based approach for computing the orientation of obstacles in traffic scenes | |
CN116012628A (zh) | 一种毫米波雷达点云聚类和多目标识别机器学习方法 | |
CN112508970B (zh) | 一种点云数据分割方法及装置 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221102 Address after: Room 601, 6th Floor, Building B, Building 9, Start Zone, Yangtze River Delta International R&D Community, No. 286, Qinglonggang Road, High-speed Rail New Town, Xiangcheng District, Suzhou City, Jiangsu Province, 215131 Patentee after: Suzhou Wanji IoV Technology Co.,Ltd. Address before: 100085 No. 5, building 1, East Road, Haidian District, Beijing, 601 Patentee before: BEIJING WANJI TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |