CN109993192A - 目标对象识别方法及装置、电子设备、存储介质 - Google Patents
目标对象识别方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN109993192A CN109993192A CN201810003827.6A CN201810003827A CN109993192A CN 109993192 A CN109993192 A CN 109993192A CN 201810003827 A CN201810003827 A CN 201810003827A CN 109993192 A CN109993192 A CN 109993192A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- cluster
- clustering cluster
- entropy
- 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 65
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 15
- 230000004888 barrier function Effects 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000004040 coloring Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Abstract
本公开是关于一种目标对象识别方法及装置、电子设备、存储介质，涉及数据处理技术领域，该方法包括：通过多线激光雷达获取目标对象的点云数据，所述点云数据包括预处理后的雷达数据；对所述点云数据进行聚类，生成至少一个聚类簇；通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据；根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果。本公开可以提高目标对象识别的准确率。
Description
技术领域
本公开涉及数据处理技术领域，具体而言，涉及一种目标对象识别方法、目标对象识别装置、电子设备以及计算机可读存储介质。
背景技术
随着无人驾驶技术的快速发展，将自动驾驶技术应用在物流配送中成为未来的发展趋势。在无人驾驶技术中，能否有效识别出周围的车辆和行人等障碍物非常重要。
相关技术中，可以根据框模型识别障碍物，例如通过欧式聚类或其他聚类方法得到障碍物3D点云的框模型后，可以根据框模型大小和框模型的先验知识匹配来识别聚类物体类型，以对障碍物进行分类识别。除此之外，还可以采用3D点云机器学习的方法对障碍物进行分类识别。
但是，上述方法中，仅仅根据聚类后的框模型的尺寸大小识别障碍物，会将大部分的无效障碍物误识别为车辆或者行人，导致误识别的问题；同时对于传感器或者雷达探测到不同角度的车辆却由于未得到完整框模型尺寸，导致漏识别的问题，因此识别准确率较低。3D点云机器学习的方法所需要的计算资源较大，且没有相关的技术支持，成本较高且效率较低。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种目标对象识别方法及装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的目标对象识别准确率低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种目标对象识别方法，包括：通过多线激光雷达获取目标对象的点云数据，所述点云数据包括预处理后的雷达数据；对所述点云数据进行聚类，生成至少一个聚类簇；通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据；根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果。
在本公开的一种示例性实施例中，所述点云熵的计算公式为：其中，Ei为第i个聚类簇的点云熵，为聚类簇在点云空间位置分布于q栅格的频率，D为聚类簇的总栅格数。
在本公开的一种示例性实施例中，通过多线激光雷达获取目标对象的点云数据，包括：通过所述多线激光雷达获取所述目标对象的雷达数据；对所述雷达数据进行预处理，以获取所述点云数据。
在本公开的一种示例性实施例中，所述方法还包括：通过多线激光雷达照射预设对象，以生成激光数据；通过所述激光数据计算所述预设对象的点云熵；获取所述预设对象的框模型尺寸；根据所述预设对象的所述点云熵以及所述框模型尺寸建立先验库。
在本公开的一种示例性实施例中，通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据，包括：确定各所述聚类簇对应的框模型尺寸；计算各所述聚类簇的所述点云熵；将各所述聚类簇的所述框模型尺寸以及所述点云熵与所述先验库进行匹配，以生成各所述聚类簇对应的所述识别数据。
在本公开的一种示例性实施例中，将各所述聚类簇的所述框模型尺寸以及所述点云熵与所述先验库进行匹配，以生成各所述聚类簇对应的所述识别数据，包括：判断各所述聚类簇的所述框模型尺寸以及所述点云熵是否满足匹配条件；在所述框模型尺寸以及所述点云熵满足所述匹配条件时，根据所述匹配条件生成各所述聚类簇对应的所述识别数据。
在本公开的一种示例性实施例中，所述匹配条件为：|Ei-GjE|＜eE&&|Bi-GjB|＜eB，其中，Ei为第i个聚类簇的点云熵，Bi为第i个聚类簇的框模型尺寸，E为先验库中的点云熵，B为先验库中的框模型尺寸，eE为点云熵偏差阈值，eB为框模型尺寸偏差阈值，Gj为识别数据。
在本公开的一种示例性实施例中，根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果，包括：通过遍历所有聚类簇对应的所述识别数据，确定所述点云数据对应的所述目标对象的识别结果。
根据本公开的一个方面，提供一种目标对象识别装置，包括：点云数据获取模块，用于通过多线激光雷达获取目标对象的点云数据，所述点云数据包括预处理后的雷达数据；数据聚类模块，用于对所述点云数据进行聚类，生成至少一个聚类簇；识别数据生成模块，用于通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据；识别结果确定模块，用于根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果。
根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的目标对象识别方法。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的目标对象识别方法。
本公开示例性实施例中提供的一种目标对象识别方法、目标对象识别装置、电子设备以及计算机可读存储介质中，通过多线激光雷达获取目标对象的点云数据，所述点云数据包括预处理后的雷达数据；对所述点云数据进行聚类，生成至少一个聚类簇；通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据；根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果。一方面，通过将每个聚类簇的点云熵和框模型尺寸进行结合，生成该聚类簇对应的识别数据，并根据识别数据确定目标对象的可以避免只通过框尺寸模型进行分类时导致的漏识别以及误识别的问题，提高了目标对象识别准确率；另一方面，通过对生成的聚类簇进行点云熵处理，相对于机器学习方法而言，减小了计算量和计算耗时，提高了识别效率且降低了成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种目标对象识别方法示意图；
图2示意性示出本公开示例性实施例中目标对象识别方法的总体流程图；
图3示意性示出本公开示例性实施例中目标对象识别方法的具体流程图；
图4示意性示出本公开示例性实施例中一种目标对象识别装置的框图；
图5示意性示出本公开示例性实施例中一种电子设备的框图；
图6示意性示出本公开示例性实施例中一种程序产品。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种目标对象识别方法，可以应用于无人驾驶领域障碍物的识别，或者也可以应用于任何需要识别物体类型的场景中。参考图1所示，该目标对象识别方法可以包括以下步骤：
在步骤S110中，通过多线激光雷达获取目标对象的点云数据，所述点云数据包括预处理后的雷达数据；
在步骤S120中，对所述点云数据进行聚类，生成至少一个聚类簇；
在步骤S130中，通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据；
在步骤S140中，根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果。
在本示例性实施例中提供的目标对象识别方法中，一方面，通过将每个聚类簇的点云熵和框模型尺寸进行结合，生成该聚类簇对应的识别数据，并根据识别数据确定目标对象的可以避免只通过框尺寸模型进行分类时导致的漏识别以及误识别的问题，提高了目标对象识别准确率；另一方面，通过对生成的聚类簇进行点云熵处理，相对于机器学习方法而言，减小了计算量和计算耗时，提高了识别效率且降低了成本。
接下来结合附图对本示例性实施例中的目标对象识别方法进行进一步解释说明。
在步骤S110中，通过多线激光雷达获取目标对象的点云数据，所述点云数据包括预处理后的雷达数据。
本示例中，激光雷达是以发射激光束探测目标对象的位置、速度等特征量的雷达系统。激光雷达可以用激光作为信号源，由激光器发射出的脉冲激光，打到地面的树木、道路、桥梁或者建筑物上，引起散射，一部分光波会反射到激光雷达的接收器上，根据激光测距原理计算从激光雷达到目标点的距离，脉冲激光不断地扫描目标对象，就可以得到目标对象上全部目标点的数据，用此数据进行成像处理后，就可得到精确的三维立体图像。多线激光雷达指的是发射并接收多束激光的激光旋转测距设备，且其中的多束激光呈一定角度分布，例如可以包括16线、32线、64线等等。多线激光雷达可以在无人驾驶领域内实现例如定位、障碍物检测、分类和跟踪、车道线的检测、路沿检测等功能。
目标对象可以包括各种类型的障碍物，例如行人、车辆、或者树枝、栅栏等。点云数据是指通过3D扫描仪获取的海量点数据，点云数据可以包括几何位置，即每一个点数据均包含有三维坐标；除此之外，点云数据还可能包括颜色信息或反射强度信息。其中，颜色信息通常是通过相机获取彩色影像，然后将对应位置的像素的颜色信息(RGB)赋予点云中对应的点。强度信息是指通过激光扫描仪接收装置采集到的回波强度。
需要说明的是，多线激光雷达可以直接获取2.5维或者3维的雷达数据，相比于单线激光雷达而言，精度更高。基于此，通过多线激光雷达获取目标对象的点云数据具体可以包括：通过所述多线激光雷达获取所述目标对象的雷达数据；对所述雷达数据进行预处理，以获取所述点云数据。
本示例中，雷达数据可以理解为从多线激光雷达直接获得的原始的、未经处理的点云数据，但是这些原始点云数据中一般会包含大量不相关信息或者噪声，因此并不能直接应用。为了保证整个识别过程的准确率，可以对获取的原始点云数据，即雷达数据进行预处理，以使其符合预设条件。预设条件可以根据实际需求进行设置。预处理例如可以包括过滤、采样等处理方式。举例而言，可以通过对数学形态学的滤波算法、基于坡度的滤波算法、基于Tin的Lidar点云过滤算法、基于伪扫描线的滤波算法、基于多分辨率方向预测的Lidar点云滤波算法等对雷达数据进行滤波。除此之外，可以使用体素化网格方法或者是其它方法对雷达数据进行采样，以减少点云数据，并保持点云的形状特征。通过对多线激光雷达获取的雷达数据进行滤波、采样等预处理得到点云数据，可以保证整个识别过程的准确率。
在步骤S120中，对所述点云数据进行聚类，生成至少一个聚类簇。
本示例中，聚类指的是按照距离或者大小的标准，将点云数据分成由类似的点云数据组成的多个类的过程。在对点云数据进行聚类时，可以生成一个聚类簇集合{cluster}，该聚类簇集合的大小为N，其中包括至少一个聚类簇，例如列聚类簇。每一个聚类簇中的点云数据彼此相似，但是与另一个聚类簇中的点云数据相异。具体而言，可以通过划分法、层次法、基于密度的方法、基于网格的方法、基于模型的方法中的任意一种方式对点云数据进行聚类，例如，可以通过K-means算法、Birch算法、Sting算法或者其他聚类算法进行聚类，得到包含至少一个聚类簇的聚类簇集合{cluster}。
接下来，在步骤S130中，通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据。
本示例中，点云熵度量了该聚类簇里一个随机点在某空间位置上的香农信息量，也可以理解为点云熵考虑聚类簇内所有点云空间位置属性整体相似情况的度量值，即考虑点云内部空间位置属性的均质性，衡量点云在空间位置上的均质程度。例如对于车辆、行人等标准的障碍物，其点云分布均匀整齐，例如在Z轴方向是一条条平行扫描线均匀分布，且具有特定的点云熵值。对于树枝、栅栏等容易误识别的障碍物，其点云分布杂乱，点云熵会比较大。框模型指的是用长和宽表示目标对象，因此可以通过框模型尺寸确定障碍物的大小。识别数据例如可以为不同类型的障碍物对应的参数，例如每一个识别数据只对应一种类型的障碍物的聚类簇。随后，可以结合每一个聚类簇的点云熵和框模型尺寸，生成每一个聚类簇对应的识别数据，以准确识别目标对象的类型。例如，行人对应的聚类簇的识别数据为0.1，车辆对应的聚类簇的识别数据为0.3，树枝对应的聚类簇的识别数据为2等等。
需要说明的是，在确定识别数据之前，可以先建立一个先验库{G}，以存储不同类型的障碍物的框模型尺寸以及点云熵，从而为障碍物的识别过程提供辅助验证的作用。其中，先验库可以根据先验知识而建立，具体包括：通过多线激光雷达照射预设对象，以生成激光数据；通过所述激光数据计算所述预设对象的点云熵；获取所述预设对象的框模型尺寸；根据所述预设对象的所述点云熵以及所述框模型尺寸建立先验库。
预设对象例如可以为不同类型的已知的目标对象或者是已知的障碍物，例如行人、车辆、树枝等等。例如可以通过多线激光雷达获得预设对象的激光数据，此处的激光数据相当于对原始点云数据进行处理后的点云数据；接下来可以根据点云熵计算公式计算预设对象的点云熵并通过程序获取预设对象的框模型尺寸；最后可以将预设对象的点云熵以及框模型尺寸存储至先验库，以建立先验库{G}，先验库的大小例如可以为Ng。
在此基础上，通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据具体可以包括：确定各所述聚类簇对应的框模型尺寸；计算各所述聚类簇的所述点云熵；将各所述聚类簇的所述框模型尺寸以及所述点云熵与所述先验库进行匹配，以生成各所述聚类簇对应的所述识别数据。
首先，可以通过程序获取每一个聚类簇对应的框模型尺寸，例如遍历聚类簇集合{cluster}，对其中第i(i＝1…N)个聚类簇cluster[i]，可以得到其框模型尺寸大小为Bi；第i+1个聚类簇cluster[i+1]的框模型尺寸大小为Bi+1。
接下来，可以通过公式(1)计算每一个聚类簇对应的点云熵，公式(1)可以表示为：
其中，Ei为第i个聚类簇的点云熵，为聚类簇在点云空间位置分布于q栅格的频率，D为聚类簇的总栅格数。
详细而言，如果考虑空间位置作为属性依据，对第i个聚类簇cluster[i]按照合适的分辨率分割成一个个的体素栅格，每个栅格代表了该聚类簇的点云在空间位置属性上的值。设第i个聚类簇cluster[i]分割出D个体素栅格，意味着该聚类簇在空间位置属性上可取D个值。假设第i个聚类簇cluster[i]的点云点的总数为Ni，其中在空间位置上在q栅格(即在该属性取值为q)的点的个数是则第i个聚类簇在点云点空间位置分布上分布于q栅格的频率可以用公式(2)表示：
需要说明的是，第i个聚类簇在点云点空间位置分布上分布于q栅格的频率需要满足公式(3)所示的归一化条件：
上述获取每个聚类簇框模型尺寸以及点云熵的过程没有严格的先后顺序，只要可以获取到框模型尺寸以及点云熵即可。通过计算每一个聚类簇的点云熵，可以剔除或者过滤树枝、栅栏等容易误识别的障碍物，因此可以提高障碍物识别率。除此之外，通过对生成的至少一个聚类簇进行点云熵处理，相对于机器学习方法而言，减小了计算量和计算耗时，提高了障碍物识别效率且降低了成本。
进一步地，可以将得到的每个聚类簇的框模型尺寸以及点云熵与先验库中存储的预设对象的框模型尺寸以及点云熵进行匹配，以确定每个聚类簇对应的识别数据。具体而言：
可以判断每个聚类簇的框模型尺寸以及点云熵是否满足如公式(4)所示的匹配条件；在框模型尺寸以及点云熵满足该匹配条件时，根据匹配条件生成每个聚类簇对应的识别数据。
|Ei-GjE|＜eE&&|Bi-GjB|＜eB (4)
其中，Ei为第i个聚类簇的点云熵，Bi为第i个聚类簇的框模型尺寸，E为先验库中存储的预设对象的点云熵，B为先验库中存储的预设对象的框模型尺寸，eE为点云熵偏差阈值，eB为框模型尺寸偏差阈值，Gj为识别数据。
例如，eE和eB均可以根据实际需求进行设置，在Bi和Ei同时满足公式(4)匹配条件下，可以将满足匹配条件的Gj确定为该聚类簇对应的识别数据。
在步骤S140中，根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果。
由于每一个识别数据只对应一个类型的障碍物，因此在确定每一个聚类簇对应的识别数据时，可以根据识别数据确定目标对象的识别结果。此处的识别结果例如可以为目标对象的类型。例如，当确定识别数据为a时，可以确定该聚类簇对应的目标对象为行人；当确定识别数据为b时，可以确定该聚类簇对应的目标对象为车辆；当确定识别数据为c时，可以确定该聚类簇对应的目标对象为树枝等等。详细而言，可以通过遍历所有聚类簇对应的所述识别数据，确定所述点云数据对应的所述目标对象的识别结果。
如果将点云数据聚类为N个聚类簇，在确定每一个聚类簇对应的目标对象的类型之后，可以遍历N个聚类簇分别对应的识别数据，确定多线激光雷达获取的点云数据对应的目标对象的识别结果。例如，当N为8时，8个聚类簇对应的识别数据均为a，则可以确定可确定多线激光雷达获取的点云数据对应的目标对象为行人。本示例中，通过将每个聚类簇的点云熵和框模型尺寸进行结合，生成该聚类簇对应的识别数据，并根据识别数据与目标对象之间的对应关系，可以唯一确定目标对象的类型或者种类，可以避免只通过框尺寸模型进行识别时导致的漏识别以及误识别的问题，提高了目标对象识别准确率以及目标对象分类精度。
图2示意性示出本公开示例性实施例中一种目标对象识别方法的总体流程图。参考图2所示，该目标对象识别方法的数据传输过程可以包括：多线激光雷达201、激光原始数据202、新点云数据203、聚类簇集合204、各障碍物的种类205，具体而言：
第一步，通过多线激光雷达201采集激光原始数据/pointcloud；
第二步，将激光原始数据/pointcloud进行滤波处理，得到新点云数据/pointcloud_new；
第三步，对新点云数据/pointcloud_new进行聚类，得到聚类簇集合{cluster}；
第四步，对聚类簇集合{cluster}204中的每一个进行点云熵计算，并结合框模型尺寸与先验库进行匹配，得到每个聚类簇对应的障碍物的类型205；例如根据公式(1)对第i(i＝1…N)个聚类簇cluster[i]进行点云熵计算，并结合框模型尺寸与先验库根据公式(4)进行匹配，得到聚类簇cluster[i]对应的障碍物的类型，再通过程序或者是循环得到每一个聚类簇对应的障碍物的类型。
图3示意性示出本公开示例性实施例中一种目标对象识别方法的具体流程图。参考图3所示，该目标对象识别方法具体可以包括：
在步骤S30中，根据先验知识得到先验库{G}，先验库中包含各待识别障碍物类型的框模型BOX尺寸及点云熵；其中，先验库可以根据已知的预设对象，例如行人、车辆、树枝等的框模型尺寸和点云熵而建立。
在步骤S31中，得到一帧多线激光雷达输出的原始点云数据；原始点云数据中例如可以包括目标对象的三维坐标、颜色信息或反射强度信息。
在步骤S32中，经过滤波、采样等方式得到符合要求的点云数据；例如通过对数学形态学的滤波算法、基于坡度的滤波算法等对原始点云数据进行滤波。使用体素化网格方法对原始点云数据进行采样，以保证整个识别过程的准确率。
在步骤S33中，对新点云数据通过用户选定的聚类方式进行聚类，例如通过层次聚类、K-means聚类等算法对新点云数据进行聚类。
在步骤S34中，得到聚类簇集合；其中聚类簇集合中包括多个聚类簇，该聚类簇集合的大小可以定义为N，令i＝1通过程序和循环遍历所有聚类簇。
在步骤S35中，考察第i个聚类簇cluster[i]，得到其框模型尺寸Bi，例如可以通过程序获取框模型尺寸。
在步骤S36中，计算第i个聚类簇的点云熵Ei，例如可以通过公式(1)描述的点云熵计算公式进行计算。
在步骤S37中，将得到的点云熵Ei和BOX模型尺寸Bi同先验库进行匹配，令j＝1，遍历先验库。
在步骤S38中，判断点云熵和框模型尺寸是否满足匹配条件，具体包括：
S381，如果点云熵和框模型尺寸满足如公式(4)所示的匹配条件，则识别第i个聚类簇cluster[i]的障碍物类型为Gj；
S3811，判断i是否等于N。具体包括：
S38111，如果i＝N，则遍历完所有的聚类簇，输出该帧点云数据的障碍物识别结果，并返回至步骤S31继续执行，获取下一帧多线激光输出的原始点云数据，按照上述方法进行识别。
S38112，如果i不等于N，则令i＝i+1，并返回至步骤S35继续执行。
S382，如果点云熵和框模型尺寸不满足如公式(4)所示的匹配条件，令j＝j+1，并返回至步骤S38继续执行。
上述过程中的所有步骤均可以通过编写程序而实现，此处不作具体限定。
由此可知，通过将每个聚类簇的点云熵和框模型尺寸进行结合，生成该聚类簇对应的识别数据，并根据识别数据与目标对象之间的对应关系，可以唯一确定目标对象的类型或者种类，可以避免只通过框尺寸模型进行识别时导致的漏识别以及误识别的问题，提高了目标对象识别准确率以及目标对象分类精度。
本公开还提供了一种目标对象识别装置。参考图4所示，该目标对象识别装置400可以包括：
点云数据获取模块401，可以用于通过多线激光雷达获取目标对象的点云数据，所述点云数据包括预处理后的雷达数据；
数据聚类模块402，可以用于对所述点云数据进行聚类，生成至少一个聚类簇；
识别数据生成模块403，可以用于通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据；
识别结果确定模块404，可以用于根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果。
需要说明的是，上述目标对象识别装置中各模块的具体细节已经在对应的目标对象识别方法中进行了详细描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1中所示的步骤：在步骤S110中，通过多线激光雷达获取目标对象的点云数据，所述点云数据包括预处理后的雷达数据；在步骤S120中，对所述点云数据进行聚类，生成至少一个聚类簇；在步骤S130中，通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据；在步骤S140中，根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果。
存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
Claims (11)
1.一种目标对象识别方法，其特征在于，包括：
通过多线激光雷达获取目标对象的点云数据，所述点云数据包括预处理后的雷达数据；
对所述点云数据进行聚类，生成至少一个聚类簇；
通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据；
根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果。
2.根据权利要求1所述的目标对象识别方法，其特征在于，所述点云熵的计算公式为：
其中，Ei为第i个聚类簇的点云熵，Pi q为聚类簇在点云空间位置分布于q栅格的频率，D为聚类簇的总栅格数。
3.根据权利要求1所述的目标对象识别方法，其特征在于，通过多线激光雷达获取目标对象的点云数据，包括：
通过所述多线激光雷达获取所述目标对象的雷达数据；
对所述雷达数据进行预处理，以获取所述点云数据。
4.根据权利要求1所述的目标对象识别方法，其特征在于，所述方法还包括：
通过多线激光雷达照射预设对象，以生成激光数据；
通过所述激光数据计算所述预设对象的点云熵；
获取所述预设对象的框模型尺寸；
根据所述预设对象的所述点云熵以及所述框模型尺寸建立先验库。
5.根据权利要求4所述的目标对象识别方法，其特征在于，通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据，包括：
确定各所述聚类簇对应的框模型尺寸；
计算各所述聚类簇的所述点云熵；
将各所述聚类簇的所述框模型尺寸以及所述点云熵与所述先验库进行匹配，以生成各所述聚类簇对应的所述识别数据。
6.根据权利要求5所述的目标对象识别方法，其特征在于，将各所述聚类簇的所述框模型尺寸以及所述点云熵与所述先验库进行匹配，以生成各所述聚类簇对应的所述识别数据，包括：
判断各所述聚类簇的所述框模型尺寸以及所述点云熵是否满足匹配条件；
在所述框模型尺寸以及所述点云熵满足所述匹配条件时，根据所述匹配条件生成各所述聚类簇对应的所述识别数据。
7.根据权利要求6所述的目标对象识别方法，其特征在于，所述匹配条件为：
|Ei-GjE|＜eE&&|Bi-GjB|＜eB，
其中，Ei为第i个聚类簇的点云熵，Bi为第i个聚类簇的框模型尺寸，E为先验库中的点云熵，B为先验库中的框模型尺寸，eE为点云熵偏差阈值，eB为框模型尺寸偏差阈值，Gj为识别数据。
8.根据权利要求1所述的目标对象识别方法，其特征在于，根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果，包括：
通过遍历所有聚类簇对应的所述识别数据，确定所述点云数据对应的所述目标对象的识别结果。
9.一种目标对象识别装置，其特征在于，包括：
点云数据获取模块，用于通过多线激光雷达获取目标对象的点云数据，所述点云数据包括预处理后的雷达数据；
数据聚类模块，用于对所述点云数据进行聚类，生成至少一个聚类簇；
识别数据生成模块，用于通过所述至少一个聚类簇中各所述聚类簇的框模型尺寸以及点云熵，生成各所述聚类簇对应的识别数据；
识别结果确定模块，用于根据各所述聚类簇对应的所述识别数据，确定所述目标对象的识别结果。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的目标对象识别方法。
11.一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，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的目标对象识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810003827.6A CN109993192A (zh) | 2018-01-03 | 2018-01-03 | 目标对象识别方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810003827.6A CN109993192A (zh) | 2018-01-03 | 2018-01-03 | 目标对象识别方法及装置、电子设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109993192A true CN109993192A (zh) | 2019-07-09 |
Family
ID=67128534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810003827.6A Pending CN109993192A (zh) | 2018-01-03 | 2018-01-03 | 目标对象识别方法及装置、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109993192A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110925969A (zh) * | 2019-10-17 | 2020-03-27 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置、电子设备及存储介质 |
| CN111611900A (zh) * | 2020-05-15 | 2020-09-01 | 北京京东乾石科技有限公司 | 一种目标点云识别方法、装置、电子设备和存储介质 |
| CN111880196A (zh) * | 2020-06-29 | 2020-11-03 | 安徽海博智能科技有限责任公司 | 一种无人矿车抗干扰方法、系统及计算机设备 |
| CN112394334A (zh) * | 2019-08-16 | 2021-02-23 | 富士通株式会社 | 雷达反射点的聚类装置、方法以及电子设备 |
| CN112733923A (zh) * | 2021-01-04 | 2021-04-30 | 上海高仙自动化科技发展有限公司 | 一种确定禁行区域的系统及机器人 |
| WO2021082380A1 (zh) * | 2019-10-29 | 2021-05-06 | 杭州易博特科技有限公司 | 一种基于激光雷达的托盘识别方法、系统和电子设备 |
| CN112859033A (zh) * | 2021-02-23 | 2021-05-28 | 加特兰微电子科技(上海)有限公司 | 目标探测的方法、装置及相关设备 |
| 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 |
| CN113343835A (zh) * | 2021-06-02 | 2021-09-03 | 合肥泰瑞数创科技有限公司 | 一种适用于应急救援的物体识别方法、系统及存储介质 |
| WO2023193567A1 (zh) * | 2022-04-08 | 2023-10-12 | 追觅创新科技(苏州)有限公司 | 机器人的移动控制方法和装置、存储介质及电子装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014201075A1 (en) * | 2013-06-14 | 2014-12-18 | Microsoft Corporation | Lidar-based classification of object movement |
| US20150003723A1 (en) * | 2013-06-27 | 2015-01-01 | Chevron U.S.A. Inc. | System and method of detecting objects in scene point cloud |
| CN104298998A (zh) * | 2014-09-28 | 2015-01-21 | 北京理工大学 | 一种3d点云的数据处理方法 |
| US20160196467A1 (en) * | 2015-01-07 | 2016-07-07 | Shenzhen Weiteshi Technology Co. Ltd. | Three-Dimensional Face Recognition Device Based on Three Dimensional Point Cloud and Three-Dimensional Face Recognition Method Based on Three-Dimensional Point Cloud |
| 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 |
| CN106295586A (zh) * | 2016-08-16 | 2017-01-04 | 长春理工大学 | 基于单线点云数据机器学习的人形目标识别方法及装置 |
| CN107064955A (zh) * | 2017-04-19 | 2017-08-18 | 北京汽车集团有限公司 | 障碍物聚类方法及装置 |
| WO2017167032A1 (zh) * | 2016-03-29 | 2017-10-05 | 腾讯科技（深圳）有限公司 | 目标对象展示方法和装置 |
-
2018
- 2018-01-03 CN CN201810003827.6A patent/CN109993192A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014201075A1 (en) * | 2013-06-14 | 2014-12-18 | Microsoft Corporation | Lidar-based classification of object movement |
| US20150003723A1 (en) * | 2013-06-27 | 2015-01-01 | Chevron U.S.A. Inc. | System and method of detecting objects in scene point cloud |
| CN104298998A (zh) * | 2014-09-28 | 2015-01-21 | 北京理工大学 | 一种3d点云的数据处理方法 |
| US20160196467A1 (en) * | 2015-01-07 | 2016-07-07 | Shenzhen Weiteshi Technology Co. Ltd. | Three-Dimensional Face Recognition Device Based on Three Dimensional Point Cloud and Three-Dimensional Face Recognition Method Based on Three-Dimensional Point Cloud |
| WO2017167032A1 (zh) * | 2016-03-29 | 2017-10-05 | 腾讯科技（深圳）有限公司 | 目标对象展示方法和装置 |
| CN106295586A (zh) * | 2016-08-16 | 2017-01-04 | 长春理工大学 | 基于单线点云数据机器学习的人形目标识别方法及装置 |
| 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 |
| CN107064955A (zh) * | 2017-04-19 | 2017-08-18 | 北京汽车集团有限公司 | 障碍物聚类方法及装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112394334A (zh) * | 2019-08-16 | 2021-02-23 | 富士通株式会社 | 雷达反射点的聚类装置、方法以及电子设备 |
| CN110925969A (zh) * | 2019-10-17 | 2020-03-27 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置、电子设备及存储介质 |
| WO2021082380A1 (zh) * | 2019-10-29 | 2021-05-06 | 杭州易博特科技有限公司 | 一种基于激光雷达的托盘识别方法、系统和电子设备 |
| 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 |
| 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 |
| CN111611900A (zh) * | 2020-05-15 | 2020-09-01 | 北京京东乾石科技有限公司 | 一种目标点云识别方法、装置、电子设备和存储介质 |
| CN111611900B (zh) * | 2020-05-15 | 2023-06-30 | 北京京东乾石科技有限公司 | 一种目标点云识别方法、装置、电子设备和存储介质 |
| CN111880196A (zh) * | 2020-06-29 | 2020-11-03 | 安徽海博智能科技有限责任公司 | 一种无人矿车抗干扰方法、系统及计算机设备 |
| CN112733923A (zh) * | 2021-01-04 | 2021-04-30 | 上海高仙自动化科技发展有限公司 | 一种确定禁行区域的系统及机器人 |
| CN112859033A (zh) * | 2021-02-23 | 2021-05-28 | 加特兰微电子科技(上海)有限公司 | 目标探测的方法、装置及相关设备 |
| CN113343835A (zh) * | 2021-06-02 | 2021-09-03 | 合肥泰瑞数创科技有限公司 | 一种适用于应急救援的物体识别方法、系统及存储介质 |
| WO2023193567A1 (zh) * | 2022-04-08 | 2023-10-12 | 追觅创新科技(苏州)有限公司 | 机器人的移动控制方法和装置、存储介质及电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993192A (zh) | 目标对象识别方法及装置、电子设备、存储介质 | |
| US10885352B2 (en) | Method, apparatus, and device for determining lane line on road | |
| CN110286387B (zh) | 应用于自动驾驶系统的障碍物检测方法、装置及存储介质 | |
| CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
| CN111553859A (zh) | 一种激光雷达点云反射强度补全方法及系统 | |
| US20230099113A1 (en) | Training method and apparatus for a target detection model, target detection method and apparatus, and medium | |
| CN106919908B (zh) | 障碍物识别方法及装置、计算机设备及可读介质 | |
| CN112347999B (zh) | 障碍物识别模型训练方法、障碍物识别方法、装置及系统 | |
| CN110018496A (zh) | 障碍物识别方法及装置、电子设备、存储介质 | |
| CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
| CN112529015A (zh) | 一种基于几何解缠的三维点云处理方法、装置及设备 | |
| CN111816020A (zh) | 将合成激光雷达数据迁移至真实域用于自动驾驶汽车训练 | |
| CN110390706B (zh) | 一种物体检测的方法和装置 | |
| CN110390237A (zh) | 点云数据处理方法和系统 | |
| CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
| US20220365186A1 (en) | Automatic detection of a calibration standard in unstructured lidar point clouds | |
| CN112329754A (zh) | 障碍物识别模型训练方法、障碍物识别方法、装置及系统 | |
| CN116547562A (zh) | 点云滤噪方法、系统和可移动平台 | |
| CN115147333A (zh) | 一种目标检测方法及装置 | |
| CN109949414A (zh) | 室内地图的构建方法及装置 | |
| KR20200065590A (ko) | 정밀 도로 지도를 위한 차선 중앙점 검출 방법 및 장치 | |
| CN112823353A (zh) | 使用机器学习进行对象定位 | |
| CN114545424A (zh) | 障碍物识别、模型训练方法、装置、设备及存储介质 | |
| Antoshchuk et al. | Depth map generationfor mobile navigation systems based on objects localization in images | |
| WO2020103043A1 (zh) | 线状物识别方法及装置、系统和计算机存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210304 Address after: Room a1905, 19 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Beijing Jingdong Qianshi Technology Co.,Ltd. Address before: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080 Applicant before: Beijing Jingbangda Trading Co.,Ltd. Effective date of registration: 20210304 Address after: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080 Applicant after: Beijing Jingbangda Trading Co.,Ltd. Address before: 100195 Beijing Haidian Xingshikou Road 65 West Cedar Creative Garden 4 District 11 Building East 1-4 Floor West 1-4 Floor Applicant before: BEIJING JINGDONG SHANGKE INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: BEIJING JINGDONG CENTURY TRADING Co.,Ltd. |
|
| TA01 | Transfer of patent application right |