CN111239766B - 基于激光雷达的水面多目标快速识别跟踪方法 - Google Patents
基于激光雷达的水面多目标快速识别跟踪方法 Download PDFInfo
- Publication number
- CN111239766B CN111239766B CN201911378504.6A CN201911378504A CN111239766B CN 111239766 B CN111239766 B CN 111239766B CN 201911378504 A CN201911378504 A CN 201911378504A CN 111239766 B CN111239766 B CN 111239766B
- Authority
- CN
- China
- Prior art keywords
- target
- point cloud
- water surface
- laser radar
- tracking
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 47
- 238000001914 filtration Methods 0.000 claims description 12
- 230000004888 barrier function Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 239000007921 spray Substances 0.000 claims 1
- 230000008447 perception Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 235000006506 Brasenia schreberi Nutrition 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000034699 Vitreous floaters Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/66—Tracking systems using electromagnetic waves other than radio waves
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种基于激光雷达的水面多目标快速识别跟踪方法,属于环境感知技术领域。本发明方法通过GPS的位置、速度和方向等信息将激光雷达点云校正到真实世界坐标系,对指定间隔激光雷达点云进行降采样,利用欧几里得距离聚类方法将点云分割成相互独立的跟踪目标,对后续激光雷达点云数据构建k‑d树点云搜索模型,以目标为中心截取指定半径邻域内的点云数据,进而通过欧几里得距离聚类方法将点云分割成1个或多个待选更新目标,而后利用迭代最近点配准算法选择最相似的更新目标替换原始跟踪目标,并通过配准矩阵得到跟踪目标的移动方向和距离。本方法可快速检测并跟踪多个水面目标,既降低了点云处理的运算时间,同时也大大提高了对目标的识别效率和跟踪精度。
Description
技术领域
本发明涉及一种水面目标识别跟踪方法,具体为一种基于激光雷达的水面多目标快速识别跟踪方法。属于环境感知技术领域。
背景技术
激光雷达凭借其探测距离远、精确度高的特点成为自动驾驶环境感知系统是最不可或缺的一种传感器。由于平静的水面不会被激光雷达探测,其可准确探测部分露出水面或者水面漂浮物等不易被其他环境感知设备探测的障碍物。同时,激光雷达具有较高的探测频率,可实现水面目标的快速检测和连续跟踪。因此,基于激光雷达的水面多目标快速识别跟踪是无人船中十分重要的一种环境感知设备。
目前,船上用于航行避让、船舶定位、狭水道引航的常用探测设备为航海雷达,其具有探测距离远、造价低等优点。但是,航海雷达的易失真、易受干扰、测距测向准确度低等缺点致使其不能满足无人船近距离的环境感知的精度要求。因此,单纯依靠航海雷达设备很难实现无人船的自主避障。
发明内容
本发明的目的在于克服现有技术的上述缺陷,提供一种水面目标识别跟踪方法,基于激光雷达设备对水面的所有目标障碍物进行检测识别,并对其进行跟踪、测速、测向等操作,进而引导无人船进行自主避障和航行。
本发明的上述目的主要是通过如下技术方案予以实现的:
一种基于激光雷达的水面多目标快速识别跟踪方法,具体包括以下步骤:
S1:预先定义一个用于描述水面目标状态的目标类,该类可以容纳水面目标需要被测量纪录的多种属性;
S2:启动激光雷达对360度范围以固定频率采集雷达点云,并连接GPS设备获取激光雷达的位置、方向和速度信息,进而对激光雷达点云数据进行实时的位置和方向校正,并利用电子海图过滤雷达点云中的非水面目标;
S3:连续接收激光雷达点云数据,指定间隔点云数据进行水面目标的全局搜索,实现水面目标的自动检测,其他雷达点云数据进行水面目标的局部搜索,实现水面目标的跟踪识别;
S4:对全局搜索数据进行降采样和统计噪声滤波操作,而后通过距离聚类方法将点云数据分割成相互独立的点云目标,并基于分割结果为每个目标点云创建各自目标类,所有目标类作为待跟踪目标创建目标列表;
S5:对局部搜索数据构建k-d树搜索模型,以待跟踪目标为中心快速截取局部搜索数据中指定半径邻域内的点云数据,并对其进行统计噪声去除操作,而后利用距离聚类将截取的点云数据分割成相互独立的目标点云;
S6:通过迭代最近点配准算法将新目标点云配准到原始目标点云,得到新目标点云与原始目标点云之间的相似度和平移矩阵;如果新目标点云不止一个,利用配准结果选择与原始目标点云最相似的目标作为新目标点云。
S7:分析所有跟踪目标点云及其配准平移矩阵,进而计算目标点位置和位移方向,并基于相邻激光雷达数据之间的时间间隔计算目标的运动速度;
S8:基于激光雷达数据的时间连续性,对所有水面目标进行连续跟踪丢失次数、连续跟踪成功率统计分析,连续跟踪丢失次数高于指定值表明该目标消失,从目标列表中删除该目标,连续跟踪成功率高于指定值才会认定该目标被稳定跟踪;
S9:将稳定跟踪的水面目标的位置、速度和方向等信息进行卡尔曼滤波,并将滤波后数据打包发送给船艇控制平台,辅助实现船艇的自动驾驶和自主避障。
在上述步骤S1中,所述类定义如下:水面目标:目标点云、边界范围、目标中心点、目标半径、运动方向、平均运动方向、连续跟踪丢失次数、连续跟踪成功频率。
在上述步骤S3中,所述点云数据流中每帧点云数据设定数字标签,判断需要处理的点云数据是否满足全局目标检测的条件,判定条件如下:
index%n==0
其中,index是点云数据的数字标签,n为整数值,即间隔n-1个点云数据进行一次全局检测。
在上述步骤S4中,所述对全局搜索数据进行降采样和统计噪声滤波具体包括以下步骤:
(1)从激光雷达点云数据流中提取符合进行全局检测条件的单帧点云数据用于后续处理;
(2)对当前点云数据进行基于点云密度统计的去噪处理,去除激光雷达点云数据中离散的噪声点;
(3)对当前激光雷达点云进行欧几里得距离聚类,将点云分割成若干个独立的点云,进而每个目标点云创建各自的目标类,并对目标类的目标点云,边界范围、目标中心点、目标半径等信息进行初始化,其中,全局检测得到的搜索结果与已有的水面目标列表进行距离、相似度匹配,符合条件的认定为已有目标进行更新;
(4)对新更新的目标进行分析,统计目标前面多帧数据连续跟踪丢失次数、连续跟踪成功频率,连续跟踪成功频率低于指定值的目标只纪录,不作为目标发布给无人航行平台,连续跟踪丢失次数高于指定值时证明该目标消失,从目标列表中删除,得到所有需要跟踪的水面目标类组合成障碍物列表。
在上述步骤S4中的全局搜索步骤中,在步骤(1)后还可以包括下述步骤:对当前激光雷达点云数据进行降采样,降低点云中探测点的整体数量,进而降低后续计算需求。
在上述步骤S4中,所述全局搜索包括依据点云点数决定是否进行降采样和基于八叉树的距离聚类两个步骤,实现点云数据的快速分割。
在上述步骤S5中,所述对局部搜索数据构建k-d树搜索模型包括以下步骤:
从激光雷达点云数据流中提取符合进行局部检测条件的单帧点云数据用于后续处理;
基于激光雷达点云数据检测三维k-d树搜索模型,加速点云搜索速度;
以现有障碍物列表中的目标点云为中心,截取指定半径范围的局部点云数据,截取半径由人工设定的目标最大限速和误差冗余距离相加得到;
对截取点云数据进行基于点云密度统计的去噪处理,去除因浪花反射等原因造成的离散的噪声点;
对去噪截取点云进行欧几里得距离聚类,将点云分割成若干个独立的点云作为可疑目标,进而每个目标点云创建各自的目标类,并对目标类的目标点云,边界范围、目标中心点、目标半径等信息进行初始化;
利用迭代最近点配准方法从可疑目标中选择点云相似度最高的目标作为跟踪目标的更新状态,计算跟踪目标的世界坐标变化值,进而计算移动距离和方向;
整理水面目标的更新目标点云及其移动距离和方向等信息,并更新障碍物列表中对应水上目标点云及相关信息。
在上述S9步骤中,所述水面目标信息的处理方法具体包括以下步骤:
根据目标跟踪刷新频率需求,实时提取基于激光雷达的水面目标跟踪的障碍物列表信息;
遍历障碍物列表,分析每个水面目标点云的空间位置、尺寸信息、运动速度和方向;
引入目标位置、方向和速度的卡尔曼滤波方法抑制目标跟踪结果的波动现象,并对目标的运动趋势进行预测;
将水面目标的位置、尺寸、速度和运动方向等信息进行整理发送给无人船自动控制平台。
与现有技术相比,本发明具有如下有益效果:
本发明采用激光雷达目标识别跟踪方法,通过GPS的位置、速度和方向等信息将激光雷达点云校正到真实世界坐标系,并利用电子海图滤除非水面目标,对指定间隔激光雷达点云进行距离聚类分割成相互独立的目标点云。然后,对后续激光雷达点云数据构建k-d树点云搜索模型,以已发现目标点云为中心截取指定半径邻域内的点云数据,进而通过距离聚类方法将点云分割成1个或多个待选更新目标,而后利用迭代最近点配准算法选择最相似的更新目标替换原始跟踪目标,并通过配准矩阵得到跟踪目标的移动方向和距离,最后利用卡尔曼滤波对跟踪结果进行优化。本方法通过指定间隔激光雷达点云的全局搜索搜寻跟踪目标,利用邻域搜索和相似度点云配准方法快速跟踪目标,既降低了点云处理的运算时间,同时也大大提高了对目标的识别效率和跟踪精度。同时,本激光雷达目标识别跟踪方法在CPU上实现,并且能够满足激光雷达高频率数据处理的需求,有限的GPU加速运算能力可全部用于无人船的视觉环境感知模块。
附图说明:
图1为本发明实施例中基于激光雷达的水面多目标快速识别跟踪方法的流程图;
图2为本发明实施例中基于激光雷达的水面多目标快速识别跟踪方法中的步骤S160中的全局检测的步骤流程图;
图3为本发明实施例中基于激光雷达的水面目标局部检测方法中的步骤S170中的局部检测的步骤流程图;
图4为本发明所提供激光雷达数据中水面目标信息处理的步骤流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅展示出了与本发明相关部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序处理,但是其中许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明基于激光雷达设备对水面的所有目标障碍物进行检测识别,并对其进行跟踪、测速、测向等操作,进而引导无人船进行自主避障和航行。因此,首先定义用于描述水面目标的类,该类可以容纳水面目标需要被测量纪录的多种属性,类定义如下:水面目标:目标点云、边界范围、目标中心点、目标半径、运动方向、平均运动方向、连续跟踪丢失次数、连续跟踪成功频率。
参照图1,示出了本发明实施例提供的一种基于激光雷达的水面多目标快速识别跟踪方法的步骤流程图。本实施例中,该快速识别跟踪方法可适用于对水面目标船艇的检测与跟踪,可以由基于激光雷达的船载环境感知系统来执行,具体包括以下步骤:
步骤S110,连通激光雷达探测器实时接收三维点云数据。
步骤S120,基于船载GPS设备的位置、船体朝向、速度和运动方向等数据,根据定位和定向信息将激光雷达点云校正为世界坐标系。
步骤S130,引入电子海图数据,遍历校正后的点云数据中所有点坐标,在电子海图上位于非水面区域的岸基目标被移除,比如河岸、海岸、山体等非水面目标。
步骤S140,经过处理的点云数据组成数据流供后续环境感知系统进行目标检测和跟踪。
步骤S150,点云数据流中每帧点云数据设定数字标签,判断需要处理的点云数据是否满足全局目标检测的条件,判定条件如下:
index%n==0
其中,index是点云数据的数字标签,n为整数值,即间隔n-1个点云数据进行一次全局检测。
步骤S160,如满足全局目标检测的条件,则对当前激光雷达点云数据进行水面目标的全局检测,检测结果对已有目标列表进行更新、增补、删减。上述全局检测的具体流程将在图2中进行详细说明。
步骤S170,如不满足全局目标检测的条件,则根据已有目标列表对激光雷达新点云数据进行局部检测,新检测目标与原始检测目标进行位置对比,计算水面目标在相邻点云数据之间移动的距离和方向。上述局部检测的具体流程将在图3中进行详细说明。
步骤S180,经过上述步骤处理得到完整的水面目标列表,这些目标将在后续过程中被持续定位和跟踪。
参照图2,示出了本发明实施例提供的一种基于激光雷达的水面多目标快速识别跟踪方法中的步骤S160中的全局检测的具体步骤流程图,该全局检测方法可实现在整体点云数据中全局搜索水面目标,具体包括以下步骤:
步骤S210,从激光雷达点云数据流中提取符合进行全局检测条件的单帧点云数据用于后续处理。
步骤S220,对当前激光雷达点云数据进行降采样,降低点云中探测点的整体数量,进而降低后续计算需求。
具体讲,该步骤在整个目标检测跟踪流程中是可选项,如果点云点数超过指定限制则启用降采样,从而避免单帧点云数据处理占用大量时间,进而使程序产生延迟或假死现象。本实施例方法以激光点云为基础创建三维体素网格,每个网格中的点求质心,作为降采样的值。
步骤S230,对当前点云数据进行基于点云密度统计的去噪处理,去除激光雷达点云数据中离散的噪声点。
其中,水面目标不是孤立的点,在统计学上呈现高斯分布。考虑到离群点的特征,则可以定义某处点云小于某个密度,既点云无效。操作方法为计算每个点到其最近的k个点平均距离,点云中所有点的距离应构成正太分布。通过指定均值与方差,可剔除点云中孤立的噪声点。
步骤S240,对当前激光雷达点云进行欧几里得距离聚类,将点云分割成若干个独立的点云,进而每个目标点云创建各自的目标类,并对目标类的目标点云,边界范围、目标中心点、目标半径等信息进行初始化。其中,全局检测得到的搜索结果与已有的水面目标列表进行距离、相似度匹配,符合条件的认定为已有目标进行更新。
步骤S250,对新更新的目标进行分析,统计目标前面多帧数据连续跟踪丢失次数、连续跟踪成功频率,连续跟踪成功频率低于指定值的目标只纪录,不作为目标发布给无人航行平台,连续跟踪丢失次数高于指定值时证明该目标消失,从目标列表中删除。
步骤S260,通过上述步骤得到的所有需要跟踪的水面目标类组合成障碍物列表。
图3示出了本发明实施例提供的一种基于激光雷达的水面目标局部检测方法中的步骤S170中的局部检测的具体步骤流程图,该局部检测方法可实现水面目标的跟踪与速度测量,具体包括以下步骤:
步骤S310,从激光雷达点云数据流中提取符合进行局部检测条件的单帧点云数据用于后续处理。
步骤S320,基于激光雷达点云数据检测三维k-d树搜索模型,加速点云搜索速度。
步骤S330,以现有障碍物列表中的目标点云为中心,截取指定半径范围的局部点云数据,截取半径由人工设定的目标最大限速和误差冗余距离相加得到。
步骤S340,对截取点云数据进行基于点云密度统计的去噪处理,去除因浪花反射等原因造成的离散的噪声点。
步骤S350,对去噪截取点云进行欧几里得距离聚类,将点云分割成若干个独立的点云作为可疑目标,进而每个目标点云创建各自的目标类,并对目标类的目标点云,边界范围、目标中心点、目标半径等信息进行初始化。
步骤S360,利用迭代最近点配准方法从可疑目标中选择点云相似度最高的目标作为跟踪目标的更新状态,计算跟踪目标的世界坐标变化值,进而计算移动距离和方向。
实际应用中,水面目标在相邻点云数据中位置是连续变化的。因此,以检测目标为中心在下一帧激光雷达点云数据中截取指定半径范围的局部点云数据,截取半径由人工设定的目标最大限速和误差冗余距离相加得到。截取的部分点云通过点云距离聚类分割得到一个或多个待选检测目标。原始检测目标与待选检测目标一一进行点云迭代最近点配准。如果只有一个待选目标,配准结果收敛则认定该目标所在位置为原始检测目标的最新位置,更新原始检测目标,计算移动距离和方向。如果有多个待选目标,从中选择配准结果最相似且收敛的目标即为运动后的目标,而后对原始目标进行更新,并计算移动距离和方向。
步骤S370,整理水面目标的更新目标点云及其移动距离和方向等信息,并更新障碍物列表中对应水上目标点云及相关信息。
图4示出了本发明实施例提供的这种基于激光雷达的水面目标跟踪的目标信息后续处理步骤的流程图,该流程可将检测和跟踪的水面目标详细信息整理打包发送给无人船自动控制平台,进而实现障碍物警报或自主避障等功能,具体包括以下步骤:
步骤S410,根据目标跟踪刷新频率需求,实时提取基于激光雷达的水面目标跟踪的障碍物列表信息。
步骤S420,遍历障碍物列表,分析每个水面目标点云的空间位置、尺寸信息、运动速度和方向。
其中,水面目标点云由不确定数量的空间点组成,随着水面目标转动、激光雷达晃动,水面目标点云也在实时发生变化。为了方便计算,本发明采用目标点云的质心位置代表点云所在位置,目标点云移动距离也用此方法计算。
步骤S430,由于激光雷达有限的分辨率、运动的水面目标角度持续变化、GPS设备定位精度等原因,水面目标跟踪的方向和速度计算结果容易发生波动。为了解决该问题,本实施例方法引入目标位置、方向和速度的卡尔曼滤波方法抑制目标跟踪结果的波动现象,并对目标的运动趋势进行预测。
步骤S440,将水面目标的位置、尺寸、速度和运动方向等信息进行整理发送给无人船自动控制平台。
综上所述,本发明的方法利用激光雷达相邻帧数据的连续性,通过降采样、距离聚类、k-d树、全局搜索、邻域搜索和目标连续性分析等方法实现水面船艇的快速识别和跟踪,具备效率高、识别跟踪精准等优点。
以上所述,仅为本发明最佳的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
Claims (8)
1.一种基于激光雷达的水面多目标快速识别跟踪方法,其特征在于,具体包括以下步骤:
S1:预先定义一个用于描述水面目标状态的目标类,该类可以容纳水面目标需要被测量记录的多种属性;
S2:启动激光雷达对360度范围以固定频率采集雷达点云,并连接GPS设备获取激光雷达的位置、方向和速度信息,进而对激光雷达点云数据进行实时的位置和方向校正,并利用电子海图过滤雷达点云中的非水面目标;
S3:连续接收激光雷达点云数据,指定间隔点云数据进行水面目标的全局搜索,实现水面目标的自动检测,其他雷达点云数据进行水面目标的局部搜索,实现水面目标的跟踪识别;
S4:对全局搜索数据进行降采样和统计噪声滤波操作,而后通过距离聚类方法将点云数据分割成相互独立的点云目标,并基于分割结果为每个目标点云创建各自目标类,所有目标类作为待跟踪目标创建目标列表;
S5:对局部搜索数据构建k-d树搜索模型,以待跟踪目标为中心快速截取局部搜索数据中指定半径邻域内的点云数据,并对其进行统计噪声去除操作,而后利用距离聚类将截取的点云数据分割成相互独立的目标点云;
S6:通过迭代最近点配准算法将新目标点云配准到原始目标点云,得到新目标点云与原始目标点云之间的相似度和平移矩阵;如果新目标点云不止一个,利用配准结果选择与原始目标点云最相似的目标作为新目标点云;
S7:分析所有跟踪目标点云及其配准平移矩阵,进而计算目标点位置和位移方向,并基于相邻激光雷达数据之间的时间间隔计算目标的运动速度;
S8:基于激光雷达数据的时间连续性,对所有水面目标进行连续跟踪丢失次数、连续跟踪成功率统计分析,连续跟踪丢失次数高于指定值表明该目标消失,从目标列表中删除该目标,连续跟踪成功率高于指定值才会认定该目标被稳定跟踪;
S9:将稳定跟踪的水面目标的位置、速度和方向信息进行卡尔曼滤波,并将滤波后数据打包发送给船艇控制平台,辅助实现船艇的自动驾驶和自主避障。
2.根据权利要求1所述的基于激光雷达的水面多目标快速识别跟踪方法,其特征在于,所述步骤S1中,所述类定义如下:水面目标:目标点云、边界范围、目标中心点、目标半径、运动方向、平均运动方向、连续跟踪丢失次数、连续跟踪成功频率。
3.根据权利要求1所述的基于激光雷达的水面多目标快速识别跟踪方法,其特征在于,所述步骤S3中,所述点云数据流中每帧点云数据设定数字标签,判断需要处理的点云数据是否满足全局目标检测的条件,判定条件如下:
index%n==0
其中,index是点云数据的数字标签,n为整数值,即间隔n-1个点云数据进行一次全局检测。
4.根据权利要求1所述的基于激光雷达的水面多目标快速识别跟踪方法,其特征在于,所述步骤S4中,所述对全局搜索数据进行降采样和统计噪声滤波具体包括以下步骤:
(1)从激光雷达点云数据流中提取符合进行全局检测条件的单帧点云数据用于后续处理;
(2)对当前点云数据进行基于点云密度统计的去噪处理,去除激光雷达点云数据中离散的噪声点;
(3)对当前激光雷达点云进行欧几里得距离聚类,将点云分割成若干个独立的点云,进而每个目标点云创建各自的目标类,并对目标类的目标点云,边界范围、目标中心点、目标半径信息进行初始化,其中,全局检测得到的搜索结果与已有的水面目标列表进行距离、相似度匹配,符合条件的认定为已有目标进行更新;
(4)对新更新的目标进行分析,统计目标前面多帧数据连续跟踪丢失次数、连续跟踪成功频率,连续跟踪成功频率低于指定值的目标只记录,不作为目标发布给无人航行平台,连续跟踪丢失次数高于指定值时证明该目标消失,从目标列表中删除,得到所有需要跟踪的水面目标类组合成障碍物列表。
5.根据权利要求4所述的基于激光雷达的水面多目标快速识别跟踪方法,其特征在于,在步骤(1)后还包括下述步骤:对当前激光雷达点云数据进行降采样,降低点云中探测点的整体数量,进而降低后续计算需求。
6.根据权利要求1所述的基于激光雷达的水面多目标快速识别跟踪方法,其特征在于,所述步骤S4中,所述全局搜索包括依据点云点数决定是否进行降采样和基于八叉树的距离聚类两个步骤,实现点云数据的快速分割。
7.根据权利要求1所述的基于激光雷达的水面多目标快速识别跟踪方法,其特征在于,所述步骤S5中,所述对局部搜索数据构建k-d树搜索模型包括以下步骤:
从激光雷达点云数据流中提取符合进行局部检测条件的单帧点云数据用于后续处理;
基于激光雷达点云数据检测三维k-d树搜索模型,加速点云搜索速度;
以现有障碍物列表中的目标点云为中心,截取指定半径范围的局部点云数据,截取半径由人工设定的目标最大限速和误差冗余距离相加得到;
对截取点云数据进行基于点云密度统计的去噪处理,去除因浪花反射原因造成的离散的噪声点;
对去噪截取点云进行欧几里得距离聚类,将点云分割成若干个独立的点云作为可疑目标,进而每个目标点云创建各自的目标类,并对目标类的目标点云,边界范围、目标中心点、目标半径信息进行初始化;
利用迭代最近点配准方法从可疑目标中选择点云相似度最高的目标作为跟踪目标的更新状态,计算跟踪目标的世界坐标变化值,进而计算移动距离和方向;
整理水面目标的更新目标点云及其移动距离和方向信息,并更新障碍物列表中对应水上目标点云及相关信息。
8.根据权利要求1所述的基于激光雷达的水面多目标快速识别跟踪方法,其特征在于,所述S9步骤中,所述水面目标信息的处理方法具体包括以下步骤:
根据目标跟踪刷新频率需求,实时提取基于激光雷达的水面目标跟踪的障碍物列表信息;
遍历障碍物列表,分析每个水面目标点云的空间位置、尺寸信息、运动速度和方向;
引入目标位置、方向和速度的卡尔曼滤波方法抑制目标跟踪结果的波动现象,并对目标的运动趋势进行预测;
将水面目标的位置、尺寸、速度和运动方向信息进行整理发送给无人船自动控制平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378504.6A CN111239766B (zh) | 2019-12-27 | 2019-12-27 | 基于激光雷达的水面多目标快速识别跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378504.6A CN111239766B (zh) | 2019-12-27 | 2019-12-27 | 基于激光雷达的水面多目标快速识别跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111239766A CN111239766A (zh) | 2020-06-05 |
CN111239766B true CN111239766B (zh) | 2021-12-07 |
Family
ID=70872753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911378504.6A Active CN111239766B (zh) | 2019-12-27 | 2019-12-27 | 基于激光雷达的水面多目标快速识别跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239766B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708005A (zh) * | 2020-08-24 | 2020-09-25 | 中国地质大学(武汉) | 单光子激光雷达水下光子位移校正、测深方法及装置 |
CN111798700B (zh) * | 2020-06-30 | 2022-02-25 | 北京行易道科技有限公司 | 盲区监测报警方法和装置 |
CN111813120A (zh) * | 2020-07-10 | 2020-10-23 | 北京林业大学 | 机器人的移动目标的识别方法、装置和电子设备 |
CN112200827B (zh) * | 2020-09-09 | 2023-06-09 | 天津津航技术物理研究所 | 一种基于由远及近场景的红外图像跟踪算法评价方法及平台 |
CN112464994B (zh) * | 2020-11-05 | 2024-03-26 | 航天时代(青岛)海洋装备科技发展有限公司 | 基于PointNet网络的船艇尾浪识别与去除方法 |
CN112731447B (zh) * | 2021-04-06 | 2021-09-07 | 北京三快在线科技有限公司 | 一种障碍物跟踪方法、装置、存储介质及电子设备 |
CN113139721B (zh) * | 2021-04-16 | 2023-12-19 | 深圳市艾赛克科技有限公司 | 骨料堆场管理系统及方法 |
CN113177477A (zh) * | 2021-04-29 | 2021-07-27 | 湖南大学 | 一种基于三维点云分析的目标检测识别方法 |
CN113670413A (zh) * | 2021-08-19 | 2021-11-19 | 中煤科工智能储装技术有限公司 | 一种用于散料装车的激光雷达数据实时处理与通信方法 |
EP4377716A1 (en) * | 2021-08-25 | 2024-06-05 | Huawei Technologies Co., Ltd. | An intrusion detection method and apparatus |
CN113689471B (zh) * | 2021-09-09 | 2023-08-18 | 中国联合网络通信集团有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
CN114333294B (zh) * | 2021-11-30 | 2022-12-13 | 上海电科智能系统股份有限公司 | 一种基于非全覆盖的多元多种物体感知识别跟踪方法 |
CN114442101B (zh) * | 2022-01-28 | 2023-11-14 | 南京慧尔视智能科技有限公司 | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 |
CN114509751A (zh) * | 2022-02-11 | 2022-05-17 | 海信集团控股股份有限公司 | 一种基于雷达的目标跟踪方法及装置 |
CN115200608A (zh) * | 2022-06-10 | 2022-10-18 | 北京航天控制仪器研究所 | 一种水上激光雷达与惯性导航安装误差标定的方法 |
CN114879217B (zh) * | 2022-07-12 | 2022-10-21 | 中国工程物理研究院应用电子学研究所 | 一种目标位姿的判断方法及系统 |
CN115146745B (zh) * | 2022-09-01 | 2022-12-02 | 深圳市城市公共安全技术研究院有限公司 | 点云数据坐标点位置校正的方法、装置、设备及存储介质 |
CN115719364B (zh) * | 2022-11-14 | 2023-09-08 | 重庆数字城市科技有限公司 | 一种基于移动测量点云数据进行行人跟踪的方法和系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9291708B2 (en) * | 2012-03-09 | 2016-03-22 | Raytheon Company | Multiple hypothesis tracking using maximum weight independent set |
CN107316048B (zh) * | 2017-05-03 | 2020-08-28 | 深圳市速腾聚创科技有限公司 | 点云分类方法及装置 |
CN108152831B (zh) * | 2017-12-06 | 2020-02-07 | 中国农业大学 | 一种激光雷达障碍物识别方法及系统 |
CN109444911B (zh) * | 2018-10-18 | 2023-05-05 | 哈尔滨工程大学 | 一种单目相机和激光雷达信息融合的无人艇水面目标检测识别与定位方法 |
CN110018489B (zh) * | 2019-04-25 | 2022-11-08 | 上海蔚来汽车有限公司 | 基于激光雷达的目标追踪方法、装置及控制器和存储介质 |
CN110210389B (zh) * | 2019-05-31 | 2022-07-19 | 东南大学 | 一种面向道路交通场景的多目标识别跟踪方法 |
CN110275153B (zh) * | 2019-07-05 | 2021-04-27 | 上海大学 | 一种基于激光雷达的水面目标检测与跟踪方法 |
CN110441788B (zh) * | 2019-07-31 | 2021-06-04 | 北京理工大学 | 一种基于单线激光雷达的无人艇环境感知方法 |
-
2019
- 2019-12-27 CN CN201911378504.6A patent/CN111239766B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111239766A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111239766B (zh) | 基于激光雷达的水面多目标快速识别跟踪方法 | |
CN111583369B (zh) | 一种基于面线角点特征提取的激光slam方法 | |
CN109444911B (zh) | 一种单目相机和激光雷达信息融合的无人艇水面目标检测识别与定位方法 | |
US20220130156A1 (en) | Three-dimensional object detection and intelligent driving | |
CN110275153B (zh) | 一种基于激光雷达的水面目标检测与跟踪方法 | |
CN107341819B (zh) | 目标跟踪方法及存储介质 | |
CN112464994B (zh) | 基于PointNet网络的船艇尾浪识别与去除方法 | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN115840221B (zh) | 基于4d毫米波雷达实现目标特征提取与多目标跟踪的方法 | |
CN112881993B (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
CN111999744A (zh) | 一种无人机多方位探测、多角度智能避障方法 | |
CN111929653B (zh) | 一种基于无人船航海雷达的目标检测、跟踪方法及系统 | |
CN111736167B (zh) | 一种获取激光点云密度的方法和装置 | |
CN114593739A (zh) | 基于视觉检测与参考线匹配的车辆全局定位方法及装置 | |
Zhu et al. | Deepego: Deep instantaneous ego-motion estimation using automotive radar | |
CN115267827B (zh) | 一种基于高度密度筛选的激光雷达港区障碍物感知方法 | |
CN111781606A (zh) | 一种新型激光雷达和超声波雷达融合的小型化实现方法 | |
CN116699596A (zh) | 一种车辆的毫米波雷达的速度修正方法及装置 | |
Ma et al. | Vehicle tracking method in polar coordinate system based on radar and monocular camera | |
CN114879180A (zh) | 一种无人艇载多元多尺度雷达实时融合的无缝态势感知方法 | |
CN113888589A (zh) | 一种基于激光雷达的水面障碍物检测与多目标跟踪方法 | |
CN111723797A (zh) | 一种确定三维目标的包围框的方法及系统 | |
CN117930264A (zh) | 一种基于激光雷达的无人艇目标运动状态探测方法 | |
Perera et al. | A gm-phd filter with estimation of probability of detection and survival for individual targets | |
Li et al. | RF-LOAM: Robust and Fast LiDAR Odometry and Mapping in Urban Dynamic Environment |
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: 20220425 Address after: 266200 aoshanwei sub district office, Jimo District, Qingdao City, Shandong Province Patentee after: Aerospace Times (Qingdao) marine equipment technology development Co.,Ltd. Address before: 142 box 403, box 100854, Beijing, Beijing, Haidian District Patentee before: BEIJIGN INSTITUTE OF AEROSPACE CONTROL DEVICES |
|
TR01 | Transfer of patent right |