CN111427032B - 基于毫米波雷达的房间墙体轮廓识别方法及终端设备 - Google Patents

基于毫米波雷达的房间墙体轮廓识别方法及终端设备 Download PDF

Info

Publication number
CN111427032B
CN111427032B CN202010333614.7A CN202010333614A CN111427032B CN 111427032 B CN111427032 B CN 111427032B CN 202010333614 A CN202010333614 A CN 202010333614A CN 111427032 B CN111427032 B CN 111427032B
Authority
CN
China
Prior art keywords
point
clustering
matrix
current
value
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
Application number
CN202010333614.7A
Other languages
English (en)
Other versions
CN111427032A (zh
Inventor
程毅
李彦龙
秦屹
张晓飞
刘志贤
陈红伟
成云丽
刘子华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Whst Co Ltd
Original Assignee
Whst Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Whst Co Ltd filed Critical Whst Co Ltd
Priority to CN202010333614.7A priority Critical patent/CN111427032B/zh
Publication of CN111427032A publication Critical patent/CN111427032A/zh
Application granted granted Critical
Publication of CN111427032B publication Critical patent/CN111427032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明适用于轮廓识别技术领域，提供了一种基于毫米波雷达的房间墙体轮廓识别方法及终端设备，该方法包括：通过根据毫米波雷达对室内目标发射信号得到的回波信号进行采样，得到每帧对应的采样点数的数据矩阵；对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息；依次对点云信息对应的点进行聚类处理，确定第一目标聚类点；根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点；根据各个第二目标聚类点进行计算，确定墙体轮廓范围，从而可以自动识别墙体轮廓范围，并对上报的墙体轮廓范围进行限制，有效抑制虚假目标，且毫米波雷达的架设简单，减少了架设复杂度，提升了雷达使用的灵活性和可靠性。

Description

基于毫米波雷达的房间墙体轮廓识别方法及终端设备
技术领域
本发明属于轮廓识别技术领域，尤其涉及一种基于毫米波雷达的房间墙体轮廓识别方法及终端设备。
背景技术
毫米波雷达是一种针对于室内成员检测的传感器解决方案，毫米波雷达架设在室内时，由于室内环境复杂，静止的物体、墙体等目标都会产生回波，可能干扰到真实目标的检测，产生虚假目标。由于这些虚假目标的回波经历了多次反射，因此往往出现在人真实可能出现的区域之外，例如墙体之外。毫米波雷达可能架设的场景不同，难以在软件中针对每个场景都分别进行范围限制。每台雷达在架设时都需要根据实际场景来对雷达进行限制范围的配置，还大大增加了架设的复杂度，限制了雷达使用的灵活性。
发明内容
有鉴于此，本发明实施例提供了一种基于毫米波雷达的房间墙体轮廓识别方法及终端设备，可以达到抑制虚假目标的目的，并减少毫米波雷达的架设复杂度，提升毫米波雷达使用的灵活性和可靠性。
为实现上述目的，本发明实施例的第一方面提供了一种基于毫米波雷达的房间墙体轮廓识别方法，包括：
根据毫米波雷达对室内目标发射信号得到的回波信号进行采样，得到每帧对应的采样点数的数据矩阵；
对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息；
依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点；
根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点；
根据各个第二目标聚类点进行计算，确定墙体轮廓范围。
作为本申请另一实施例，所述对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息，包括：
对当前帧的数据矩阵进行点云信息处理，得到所述当前帧内的静态目标点云信息；
将当前帧的点云信息与之前帧的点云信息进行合并，得到第一积累点云信息；
根据上述计算积累点云信息的方法，计算预设帧数的点云信息。
作为本申请另一实施例，所述点云信息构成的矩阵P包括N行三列，N表示点云数量，第一列表示当前点在以雷达为原点的平面直角坐标系中的横坐标，第二列表示当前点在以雷达为原点的平面直角坐标系中的纵坐标，第三列表示当前点的信噪比；
在依次对所述点云信息对应的点进行聚类处理之前，还包括：
根据矩阵P构造矩阵P1，所述矩阵P1为在矩阵P中增加表示聚类标志的第四列。
作为本申请另一实施例，所述依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点，包括：
将未进行聚类处理的点云信息对应的点A在矩阵P1中的聚类标志对应的值置为预设值，并将聚类点个数加1，将点A作为当前聚类点A1，在聚类点信息矩阵中增加一行对应当前聚类点A1信息的记录；
当矩阵P1中第四列对应的值不为所述预设值时，将不为所述预设值的行索引记录在矩阵P2中，遍历矩阵P2中所有的行索引，并检测当前行索引对应的当前点B与所述当前聚类点A1的坐标差是否均小于或等于聚类门限值；
若当前点B与所述当前聚类点A1的坐标差均小于或等于聚类门限值时，则将所述当前点B在矩阵P1中的第四列的值置为所述预设值，若所述当前点B的信噪比大于所述聚类点信息矩阵中的所述当前聚类点A1对应的信噪比时，根据所述当前点B更新所述聚类点信息矩阵中所述当前聚类点A1对应的记录；
确定所述当前聚类点A1为第一目标聚类点。
作为本申请另一实施例，所述在聚类点信息矩阵中增加一行对应当前聚类点A1信息的记录，包括：
将聚类点信息矩阵中待新增加的一行的第一列的值置为1，第二列的值置为所述点A在矩阵P中对应的点的第一列的值，第四列的值置为所述点A在矩阵P中对应的点的第三列的值。
作为本申请另一实施例，所述根据所述当前点B更新所述聚类点信息矩阵中所述当前聚类点A1对应的记录，包括：
将聚类点信息矩阵中的所述当前聚类点A1对应的第一列的值加1；
将聚类点信息矩阵中的所述当前聚类点A1对应的第二列的值置为所述当前点B在矩阵P中对应的点的第一列的值，第四列的值置为与所述当前点B在矩阵P中对应的点的第三列的值相同。
作为本申请另一实施例，所述根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点，包括：
将各个第一目标聚类点内包含的聚类点元素数量大于或等于聚类点元素个数门限值的聚类点确定为第二目标聚类点。
作为本申请另一实施例，所述根据各个第二目标聚类点进行计算，确定墙体轮廓范围，包括：
根据各个第二目标聚类点，确定所有第二目标聚类点对应的横坐标的最小值以及最大值，确定所有第二目标聚类点对应的纵坐标的最大值；
确定墙体轮廓在以雷达为原点的平面直角坐标系中的横坐标轴的范围为大于横坐标的最小值，且小于横坐标的最大值；确定墙体轮廓在以雷达为原点的平面直角坐标系中的纵坐标轴的范围为大于零且小于纵坐标的最大值。
本发明实施例的第二方面提供了一种基于毫米波雷达的房间墙体轮廓识别装置，包括：
采样模块，用于根据毫米波雷达对室内目标发射信号得到的回波信号进行采样，得到每帧对应的采样点数的数据矩阵；
点云信息处理模块，用于对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息；
聚类处理模块，用于依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点；
墙体轮廓范围确定模块，用于根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点；以及根据各个第二目标聚类点进行计算，确定墙体轮廓范围。
本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的基于毫米波雷达的房间墙体轮廓识别方法所述的步骤。
本发明实施例与现有技术相比存在的有益效果是：与现有技术相比，本发明通过根据毫米波雷达对室内目标发射信号得到的回波信号进行采样，得到每帧对应的采样点数的数据矩阵；对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息；依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点；根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点；根据各个第二目标聚类点进行计算，确定墙体轮廓范围，从而可以自动识别墙体轮廓范围，并对上报的墙体轮廓范围进行限制，有效抑制虚假目标，且毫米波雷达的架设简单，减少了架设复杂度，提升了雷达使用的灵活性和可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于毫米波雷达的房间墙体轮廓识别方法的实现流程示意图；
图2是本发明另一实施例提供的基于毫米波雷达的房间墙体轮廓识别方法的实现流程示意图；
图3是本发明实施例提供的计算预设帧数的点云信息的示意图；
图4是本发明实施例提供的以雷达为原点的平面直角坐标系的示例图；
图5是本发明实施例提供的矩阵P的示例图；
图6是本发明实施例提供的矩阵P1的示例图；
图7是本发明实施例提供的聚类处理的示例图；
图8是本发明实施例提供的基于毫米波雷达的房间墙体轮廓识别装置的示意图；
图9是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1为本发明实施例提供的基于毫米波雷达的房间墙体轮廓识别方法的实现流程示意图，详述如下。
步骤101，根据毫米波雷达对室内目标发射信号得到的回波信号进行采样，得到每帧对应的采样点数的数据矩阵。
可选的，毫米波雷达可以架设在室内墙角，对室内目标按帧发射chirp信号，得到各个接收天线的回波，然后进行ADC采样。可选的，一个chirp信号的采样点数可以为Ns点，一帧内可以共发射Nc个chirp信号，可以共有Nr个接收天线。在一帧内，可以得到一个Ns×Nc×Nr的数据矩阵。根据得到的多帧的数据矩阵进行后续的房间墙体轮廓识别。
步骤102，对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息。
可选的，如图2所示，在进行点云信息处理之前，需要检测当前帧的序号i_frame是否小于或等于预设阈值，若当前帧的序号i_frame≤预设阈值，则对当前帧的数据矩阵进行点云信息处理，可选的，这里预设阈值可以为10，当然预设阈值的设定可以根据实际需求进行设置，例如预设阈值还可以为11、12等值。若当前帧的序号i_frame不小于或等于预设阈值，则检测当前帧的序号i_frame是否等于(预设阈值+1)；若当前帧的序号i_frame＝(预设阈值+1)，则执行步骤103，进行聚类处理，聚类处理完成后进行房间墙体轮廓识别以及毫米波雷达的其它处理；若当前帧的序号i_frame>(预设阈值+1)，则继续毫米波雷达的其它处理。
可选的，如图3所示，本步骤可以包括：
步骤301，对当前帧的数据矩阵进行点云信息处理，得到所述当前帧内的静态目标点云信息。
对当前帧的Ns×Nc×Nr的数据矩阵进行点云信息处理，其中点云信息处理包括但不限于Capon、MUSIC、FFT，可以得到本帧内的静态目标的点云信息，可以理解的，点云信息中包括多个点，例如本帧内的静态目标的点云信息中包括Nd个点，每个点包含在以雷达为原点的平面直角坐标系中的坐标(xm,ym)中，如图4所示，以及每个点的信噪比Snr_Estm，m＝1,2,…Nd。
步骤302，将当前帧的点云信息与之前帧的点云信息进行合并，得到第一积累点云信息。
得到当前帧的点运行之后，需要将本帧的点云信息与之前帧的点云信息进行积累。可选的，点云信息积累的方法可以包括：将本帧的Nd个点的点云信息与之前所有帧的点云信息合并在一个维度为Nd_all×3的矩阵P中。其中，所述点云信息构成的矩阵P包括N行三列，N表示点云数量，即行数Nd_all为截止到本帧的点云个数，第一列表示当前点在以雷达为原点的平面直角坐标系中的横坐标(x坐标)，第二列表示当前点在以雷达为原点的平面直角坐标系中的纵坐标(y坐标)，第三列表示当前点的信噪比。第一积累点云信息即为矩阵P中包括的所有点云信息。
当前帧与之前帧的点云信息积累完毕后，转至步骤301进行下一帧处理。
步骤303，根据上述计算积累点云信息的方法，计算预设帧数的点云信息。
可选的，这里预设帧数即为附图2中设定的帧的序号的预设阈值，例如预设帧数可以为10帧。
在计算得到当前所有帧的点云信息之后，即可对点云信息进行聚类处理。
步骤103，依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点。
可选的，在本步骤依次对所述点云信息对应的点进行聚类处理之前，还可以包括：根据矩阵P构造矩阵P1，所述矩阵P1为在矩阵P中增加表示聚类标志的第四列。如图5所示的矩阵P，图6所示的矩阵P1。
可选的，对聚类标志的值进行初始化，例如对矩阵P1中第四列的值均初始化为0。并对聚类点个数cluster_num初始化为0，且初始化聚类点信息矩阵cluster_info为一个空矩阵。
初始化完成后即可对点云信息对应的点进行聚类处理，如图7所示，可以包括以下步骤：
步骤701，将未进行聚类处理的点云信息对应的点A在矩阵P1中的聚类标志对应的值置为预设值，并将聚类点个数加1，将点A作为当前聚类点A1，在聚类点信息矩阵中增加一行对应当前聚类点A1信息的记录。
可选的，在步骤701之前，还可以包括：检测是否聚类完点云信息对应的所有点，当聚类完成后执行步骤104，当未聚类完成时，执行本步骤。
可选的，检测是否聚类完点云信息对应的所有点的方法可以包括，检测矩阵P1的第四列的值是否全部为预设值，当矩阵P1的第四列的值全部为预设值时，则确定聚类完成，否则未聚类完成。可选的，这里预设值可以根据需求设定，例如预设值可以为3。
本步骤中，可以首先依次查看矩阵P1的第四列的值，找到第一个不为预设值的元素，将其在矩阵P1中的行数记为ind_uncluster，然后将P1(ind_uncluster,4)的值置为所述预设值，即将矩阵P1中ind_uncluster行第四列对应的值设置为所述预设值。当聚类点增加一个时，需要对应设置聚类点个数cluster_num加1，以及聚类点信息矩阵cluster_info增加一行对应当前聚类点的记录。
可选的，在cluster_info增加的一行可以包括四个元素，即[element_num,x,y,Snr_Est]，其中，element_num为该聚类点包含的元素个数；Snr_Est为该聚类点的信噪比；x,y分别为该聚类点在以雷达为原点的平面直角坐标系中的横坐标和纵坐标。
所述在聚类点信息矩阵中增加一行对应当前聚类点A1信息的记录，可以包括：
将聚类点信息矩阵中待新增加的一行的第一列的值置为1，表示当前聚类点包含1个元素；并将cluster_info(cluster,2:4)置为P(ind_uncluster,1:3)，即第二列的值置为所述点A在矩阵P中对应的点的第一列的值，第四列的值置为所述点A在矩阵P中对应的点的第三列的值。
步骤702，当矩阵P1中第四列对应的值不为所述预设值时，将不为所述预设值的行索引记录在矩阵P2中。
可选的，当确定当前聚类点之后，对其它未聚类的点进行遍历，寻找与当前聚类点位置符合预设条件的点，并将其确定为当前聚类点的相关点。可选的，寻找矩阵P1中所有第四列不为所述预设值的行，并将它们的行索引记在point_index_not_cluster中，即矩阵P2中，假设矩阵P2中一共包括num_not_cluster个记录，其中矩阵P2中也包括行索引，以及每个点的横坐标、纵坐标以及信噪比等元素。
步骤703，遍历矩阵P2中所有的行索引，并检测当前行索引对应的当前点B与所述当前聚类点A1的坐标差是否均小于或等于聚类门限值。
遍历矩阵P2中的行索引，即令n＝1:num_not_cluster，point_now＝point_index_not_cluster(n)。并检测是否满足下条件：
|P(point_now,1)-cluster_info(cluster_num,2)|≤x_thre；
且：|P(point_now,2)-cluster_info(cluster_num,3)|≤y_thre。
其中x_thre和y_thre分别是事先确定的横坐标方向上和纵坐标方向上的聚类门限值，且x_thre>0，y_thre>0。
如果满足上述条件，则继续执行步骤704。否则返回当前步骤，继续遍历point_index_not_cluster中下一个点，直到point_index_not_cluster中所有点遍历完成。
步骤704，若当前点B与所述当前聚类点A1的坐标差均小于或等于聚类门限值时，则将所述当前点B在矩阵P1中的第四列的值置为所述预设值，若所述当前点B的信噪比大于所述聚类点信息矩阵中的所述当前聚类点A1对应的信噪比时，根据所述当前点B更新所述聚类点信息矩阵中所述当前聚类点A1对应的记录。
可选的，本步骤中，所述根据所述当前点B更新所述聚类点信息矩阵中所述当前聚类点A1对应的记录，可以包括以下处理：
将聚类点信息矩阵中的所述当前聚类点A1对应的第一列的值加1；
将聚类点信息矩阵中的所述当前聚类点A1对应的第二列的值置为所述当前点B在矩阵P中对应的点的第一列的值，第四列的值置为与所述当前点B在矩阵P中对应的点的第三列的值相同。
步骤705，确定所述当前聚类点A1为第一目标聚类点。
可选的，根据当前聚类点更新聚类点信息矩阵中的相关记录后，即可得到第一目标聚类点，然后继续返回步骤703继续遍历point_index_not_cluster中下一个点，当遍历完point_index_not_cluster中所有点后，返回步骤701新建下一个聚类点，直到矩阵P1中的第四列元素的所有值均为所述预设值，完成聚类处理。
步骤104，根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点。
可选的，当完成聚类处理后，得到了聚类点信息矩阵cluster_info，假设cluster_info中共有cluster_num行，每行包含以下元素：[element_num,x,y,Snr_Est]，然后即可对聚类点进行房间的墙体轮廓范围识别。本步骤中，对当前所有的第一目标聚类点进行筛选，确定符合条件的聚类点为第二目标聚类点，然后根据第二目标聚类点进行房间的墙体轮廓范围识别。
可选的，所述根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点，可以包括：
将各个第一目标聚类点内包含的聚类点元素数量大于或等于聚类点元素个数门限值的聚类点确定为第二目标聚类点。即，遍历cluster_info中element_num的值，将其中element_num小于聚类点元素个数门限值的聚类点剔除。
可选的，聚类点元素个数门限值可以根据实际需求进行设定，例如，聚类点元素个数门限值可以为7，当然也可以设定聚类点元素个数门限值为其它正整数，在本申请中不限定聚类点元素个数门限值的取值。
步骤105，根据各个第二目标聚类点进行计算，确定墙体轮廓范围。
可选的，本步骤中所述根据各个第二目标聚类点进行计算，确定墙体轮廓范围，可以包括：
根据各个第二目标聚类点，确定所有第二目标聚类点对应的横坐标的最小值，记为min_x，以及最大值，记为max_x，确定所有第二目标聚类点对应的纵坐标的最大值，记为max_y；
确定墙体轮廓在以雷达为原点的平面直角坐标系中的横坐标轴的范围为大于横坐标的最小值，且小于横坐标的最大值，即(min_x,max_x)；确定墙体轮廓在以雷达为原点的平面直角坐标系中的纵坐标轴的范围为大于零且小于纵坐标的最大值，即(0,max_y)。这样就识别出了房间墙体轮廓范围，然后输出识别的房间墙体轮廓范围。
上述基于毫米波雷达的房间墙体轮廓识别方法，通过根据毫米波雷达对室内目标发射信号得到的回波信号进行采样，得到每帧对应的采样点数的数据矩阵；对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息；依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点；根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点；根据各个第二目标聚类点进行计算，确定墙体轮廓范围，从而可以自动识别墙体轮廓范围，并对上报的墙体轮廓范围进行限制，有效抑制虚假目标，且毫米波雷达的架设简单，减少了架设复杂度，提升了雷达使用的灵活性和可靠性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的基于毫米波雷达的房间墙体轮廓识别方法，图8示出了本发明实施例提供的基于毫米波雷达的房间墙体轮廓识别装置的示例图。如图8所示，该装置可以包括：采样模块801、点云信息处理模块802、聚类处理模块803和墙体轮廓范围确定模块804。
采样模块801，用于根据毫米波雷达对室内目标发射信号得到的回波信号进行采样，得到每帧对应的采样点数的数据矩阵；
点云信息处理模块802，用于对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息；
聚类处理模块803，用于依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点；
墙体轮廓范围确定模块804，用于根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点；以及根据各个第二目标聚类点进行计算，确定墙体轮廓范围。
可选的，所述点云信息处理模块802对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息时，可以用于：对当前帧的数据矩阵进行点云信息处理，得到所述当前帧内的静态目标点云信息；将当前帧的点云信息与之前帧的点云信息进行合并，得到第一积累点云信息；根据上述计算积累点云信息的方法，计算预设帧数的点云信息。
可选的，所述点云信息构成的矩阵P包括N行三列，N表示点云数量，第一列表示当前点在以雷达为原点的平面直角坐标系中的横坐标，第二列表示当前点在以雷达为原点的平面直角坐标系中的纵坐标，第三列表示当前点的信噪比；
在聚类处理模块803依次对所述点云信息对应的点进行聚类处理之前，还用于：根据矩阵P构造矩阵P1，所述矩阵P1为在矩阵P中增加表示聚类标志的第四列。
可选的，所述聚类处理模块803依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点时，可以用于：
将未进行聚类处理的点云信息对应的点A在矩阵P1中的聚类标志对应的值置为预设值，并将聚类点个数加1，将点A作为当前聚类点A1，在聚类点信息矩阵中增加一行对应当前聚类点A1信息的记录；
当矩阵P1中第四列对应的值不为所述预设值时，将不为所述预设值的行索引记录在矩阵P2中，遍历矩阵P2中所有的行索引，并检测当前行索引对应的当前点B与所述当前聚类点A1的坐标差是否均小于或等于聚类门限值；
若当前点B与所述当前聚类点A1的坐标差均小于或等于聚类门限值时，则将所述当前点B在矩阵P1中的第四列的值置为所述预设值，若所述当前点B的信噪比大于所述聚类点信息矩阵中的所述当前聚类点A1对应的信噪比时，根据所述当前点B更新所述聚类点信息矩阵中所述当前聚类点A1对应的记录；
确定所述当前聚类点A1为第一目标聚类点。
可选的，聚类处理模块803在聚类点信息矩阵中增加一行对应当前聚类点A1信息的记录时，可以用于将聚类点信息矩阵中待新增加的一行的第一列的值置为1，第二列的值置为所述点A在矩阵P中对应的点的第一列的值，第四列的值置为所述点A在矩阵P中对应的点的第三列的值。
可选的，所述聚类处理模块803根据所述当前点B更新所述聚类点信息矩阵中所述当前聚类点A1对应的记录时，可以用于，将聚类点信息矩阵中的所述当前聚类点A1对应的第一列的值加1；将聚类点信息矩阵中的所述当前聚类点A1对应的第二列的值置为所述当前点B在矩阵P中对应的点的第一列的值，第四列的值置为与所述当前点B在矩阵P中对应的点的第三列的值相同。
可选的，所述墙体轮廓范围确定模块804根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点时，可以用于：将各个第一目标聚类点内包含的聚类点元素数量大于或等于聚类点元素个数门限值的聚类点确定为第二目标聚类点。
可选的，所述墙体轮廓范围确定模块804根据各个第二目标聚类点进行计算，确定墙体轮廓范围时，可以用于：
根据各个第二目标聚类点，确定所有第二目标聚类点对应的横坐标的最小值以及最大值，确定所有第二目标聚类点对应的纵坐标的最大值；
确定墙体轮廓在以雷达为原点的平面直角坐标系中的横坐标轴的范围为大于横坐标的最小值，且小于横坐标的最大值；确定墙体轮廓在以雷达为原点的平面直角坐标系中的纵坐标轴的范围为大于零且小于纵坐标的最大值。
上述基于毫米波雷达的房间墙体轮廓识别装置，通过采样模块根据毫米波雷达对室内目标发射信号得到的回波信号进行采样，得到每帧对应的采样点数的数据矩阵；点云信息处理模块对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息；聚类处理模块依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点；墙体轮廓范围确定模块根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点；以及根据各个第二目标聚类点进行计算，确定墙体轮廓范围，从而可以自动识别墙体轮廓范围，并对上报的墙体轮廓范围进行限制，有效抑制虚假目标，且毫米波雷达的架设简单，减少了架设复杂度，提升了雷达使用的灵活性和可靠性。
图9是本发明一实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备900包括：处理器901、存储器902以及存储在所述存储器902中并可在所述处理器901上运行的计算机程序903，例如基于毫米波雷达的房间墙体轮廓识别程序。所述处理器901执行所述计算机程序903时实现上述基于毫米波雷达的房间墙体轮廓识别方法实施例中的步骤，例如图1所示的步骤101至105，或者图2、图3、图7所示的步骤，所述处理器901执行所述计算机程序903时实现上述各装置实施例中各模块的功能，例如图8所示模块801至804的功能。
示例性的，所述计算机程序903可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储在所述存储器902中，并由所述处理器901执行，以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序903在所述基于毫米波雷达的房间墙体轮廓识别装置或者终端设备900中的执行过程。例如，所述计算机程序903可以被分割成采样模块801、点云信息处理模块802、聚类处理模块803和墙体轮廓范围确定模块804，各模块具体功能如图8所示，在此不再一一赘述。
所述终端设备900可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器901、存储器902。本领域技术人员可以理解，图9仅仅是终端设备900的示例，并不构成对终端设备900的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器901可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器902可以是所述终端设备900的内部存储单元，例如终端设备900的硬盘或内存。所述存储器902也可以是所述终端设备900的外部存储设备，例如所述终端设备900上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器902还可以既包括所述终端设备900的内部存储单元也包括外部存储设备。所述存储器902用于存储所述计算机程序以及所述终端设备900所需的其他程序和数据。所述存储器902还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于毫米波雷达的房间墙体轮廓识别方法，其特征在于，包括：
根据毫米波雷达对室内目标发射信号得到的回波信号进行采样，得到每帧对应的采样点数的数据矩阵；
对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息，所述点云信息构成矩阵P；
根据矩阵P构造矩阵P1，所述矩阵P1为在矩阵P中增加表示聚类标志的列；
依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点；包括：将未进行聚类处理的点云信息对应的点A在矩阵P1中的聚类标志对应的值置为预设值，并将聚类点个数加1，将点A作为当前聚类点A1，在聚类点信息矩阵中增加一行对应当前聚类点A1信息的记录；当矩阵P1中聚类标志列对应的值不为所述预设值时，将不为所述预设值的行索引记录在矩阵P2中，遍历矩阵P2中所有的行索引，并检测当前行索引对应的当前点B与所述当前聚类点A1的坐标差是否均小于或等于聚类门限值；若当前点B与所述当前聚类点A1的坐标差均小于或等于聚类门限值时，则将所述当前点B在矩阵P1中的聚类标志列的值置为所述预设值，若所述当前点B的信噪比大于所述聚类点信息矩阵中的所述当前聚类点A1对应的信噪比时，根据所述当前点B更新所述聚类点信息矩阵中所述当前聚类点A1对应的记录；确定所述当前聚类点A1为第一目标聚类点；
根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点；
根据各个第二目标聚类点进行计算，确定墙体轮廓范围。
2.如权利要求1所述的基于毫米波雷达的房间墙体轮廓识别方法，其特征在于，所述对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息，包括：
对当前帧的数据矩阵进行点云信息处理，得到所述当前帧内的静态目标点云信息；
将当前帧的点云信息与之前帧的点云信息进行合并，得到第一积累点云信息；
根据上述计算积累点云信息的方法，计算预设帧数的点云信息。
3.如权利要求2所述的基于毫米波雷达的房间墙体轮廓识别方法，其特征在于，所述点云信息构成的矩阵P包括N行三列，N表示点云数量，第一列表示当前点在以雷达为原点的平面直角坐标系中的横坐标，第二列表示当前点在以雷达为原点的平面直角坐标系中的纵坐标，第三列表示当前点的信噪比；第四列表示聚类标志。
4.如权利要求1所述的基于毫米波雷达的房间墙体轮廓识别方法，其特征在于，所述在聚类点信息矩阵中增加一行对应当前聚类点A1信息的记录，包括：
将聚类点信息矩阵中待新增加的一行的第一列的值置为1，第二列的值置为所述点A在矩阵P中对应的点的第一列的值，第四列的值置为所述点A在矩阵P中对应的点的第三列的值。
5.如权利要求1所述的基于毫米波雷达的房间墙体轮廓识别方法，其特征在于，所述根据所述当前点B更新所述聚类点信息矩阵中所述当前聚类点A1对应的记录，包括：
将聚类点信息矩阵中的所述当前聚类点A1对应的第一列的值加1；
将聚类点信息矩阵中的所述当前聚类点A1对应的第二列的值置为所述当前点B在矩阵P中对应的点的第一列的值，第四列的值置为与所述当前点B在矩阵P中对应的点的第三列的值相同。
6.如权利要求1所述的基于毫米波雷达的房间墙体轮廓识别方法，其特征在于，所述根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点，包括：
将各个第一目标聚类点内包含的聚类点元素数量大于或等于聚类点元素个数门限值的聚类点确定为第二目标聚类点。
7.如权利要求1所述的基于毫米波雷达的房间墙体轮廓识别方法，其特征在于，所述根据各个第二目标聚类点进行计算，确定墙体轮廓范围，包括：
根据各个第二目标聚类点，确定所有第二目标聚类点对应的横坐标的最小值以及最大值，确定所有第二目标聚类点对应的纵坐标的最大值；
确定墙体轮廓在以雷达为原点的平面直角坐标系中的横坐标轴的范围为大于横坐标的最小值，且小于横坐标的最大值；确定墙体轮廓在以雷达为原点的平面直角坐标系中的纵坐标轴的范围为大于零且小于纵坐标的最大值。
8.一种基于毫米波雷达的房间墙体轮廓识别装置，其特征在于，包括：
采样模块，用于根据毫米波雷达对室内目标发射信号得到的回波信号进行采样，得到每帧对应的采样点数的数据矩阵；
点云信息处理模块，用于对每一帧的数据矩阵进行点云信息处理，得到预设帧数的点云信息，所述点云信息构成矩阵P；
聚类处理模块，用于根据矩阵P构造矩阵P1，所述矩阵P1为在矩阵P中增加表示聚类标志的列；以及依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点；
所述聚类处理模块依次对所述点云信息对应的点进行聚类处理，确定第一目标聚类点时，用于将未进行聚类处理的点云信息对应的点A在矩阵P1中的聚类标志对应的值置为预设值，并将聚类点个数加1，将点A作为当前聚类点A1，在聚类点信息矩阵中增加一行对应当前聚类点A1信息的记录；当矩阵P1中聚类标志列对应的值不为所述预设值时，将不为所述预设值的行索引记录在矩阵P2中，遍历矩阵P2中所有的行索引，并检测当前行索引对应的当前点B与所述当前聚类点A1的坐标差是否均小于或等于聚类门限值；若当前点B与所述当前聚类点A1的坐标差均小于或等于聚类门限值时，则将所述当前点B在矩阵P1中的聚类标志列的值置为所述预设值，若所述当前点B的信噪比大于所述聚类点信息矩阵中的所述当前聚类点A1对应的信噪比时，根据所述当前点B更新所述聚类点信息矩阵中所述当前聚类点A1对应的记录；确定所述当前聚类点A1为第一目标聚类点；
墙体轮廓范围确定模块，用于根据各个第一目标聚类点内包含的聚类点元素数量，确定第二目标聚类点；以及根据各个第二目标聚类点进行计算，确定墙体轮廓范围。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
CN202010333614.7A 2020-04-24 2020-04-24 基于毫米波雷达的房间墙体轮廓识别方法及终端设备 Active CN111427032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010333614.7A CN111427032B (zh) 2020-04-24 2020-04-24 基于毫米波雷达的房间墙体轮廓识别方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010333614.7A CN111427032B (zh) 2020-04-24 2020-04-24 基于毫米波雷达的房间墙体轮廓识别方法及终端设备

Publications (2)

Publication Number Publication Date
CN111427032A CN111427032A (zh) 2020-07-17
CN111427032B true CN111427032B (zh) 2022-02-01

Family

ID=71556705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010333614.7A Active CN111427032B (zh) 2020-04-24 2020-04-24 基于毫米波雷达的房间墙体轮廓识别方法及终端设备

Country Status (1)

Country Link
CN (1) CN111427032B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112213725B (zh) * 2020-09-28 2022-10-25 森思泰克河北科技有限公司 车载雷达的多径虚警抑制方法、装置及终端设备
CN112816959B (zh) * 2021-01-14 2022-05-31 森思泰克河北科技有限公司 用于车辆的聚类方法、装置、设备和存储介质
CN113030896B (zh) * 2021-03-10 2022-08-26 森思泰克河北科技有限公司 雷达目标聚类方法、装置和电子设备
CN113030897B (zh) * 2021-03-10 2022-05-31 森思泰克河北科技有限公司 基于多径的雷达目标聚类方法、装置、设备和存储介质
CN113219446A (zh) * 2021-04-30 2021-08-06 森思泰克河北科技有限公司 车内雷达占位识别方法、装置及车载雷达
CN113391270B (zh) * 2021-06-11 2022-10-04 森思泰克河北科技有限公司 多雷达点云融合的虚假目标抑制方法、装置及终端设备
CN115047442A (zh) * 2022-03-21 2022-09-13 珠海格力电器股份有限公司 点云数据的处理方法和装置、电子设备、存储介质
CN114637006B (zh) * 2022-05-07 2023-03-10 长沙莫之比智能科技有限公司 基于毫米波人员跌倒检测雷达的预警区域自适应调节方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106772435A (zh) * 2016-12-12 2017-05-31 浙江华飞智能科技有限公司 一种无人机避障方法和装置
CN109166145A (zh) * 2018-08-10 2019-01-08 中国农业大学 一种基于聚类分割的果树叶片生长参数提取方法及系统
CN110110802A (zh) * 2019-05-14 2019-08-09 南京林业大学 基于高阶条件随机场的机载激光点云分类方法
CN110244322A (zh) * 2019-06-28 2019-09-17 东南大学 基于多源传感器的路面施工机器人环境感知系统及方法
CN110866887A (zh) * 2019-11-04 2020-03-06 深圳市唯特视科技有限公司 一种基于多传感器的目标态势融合感知方法和系统

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5583523B2 (ja) * 2010-08-31 2014-09-03 ダイハツ工業株式会社 物体認識装置
JP6083935B2 (ja) * 2012-02-22 2017-02-22 日本無線株式会社 目標輪郭識別装置
RU2626459C1 (ru) * 2016-02-08 2017-07-28 Яков Михайлович Кашин Способ идентификации групповой воздушной цели
CN106371105A (zh) * 2016-08-16 2017-02-01 长春理工大学 单线激光雷达车辆目标识别方法、装置和汽车
CN106340013B (zh) * 2016-08-25 2019-03-22 上海航天控制技术研究所 一种基于双重Kmeans聚类的红外目标轮廓分割方法
CN106407947B (zh) * 2016-09-29 2019-10-22 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
WO2018205119A1 (zh) * 2017-05-09 2018-11-15 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法和系统
US10677905B2 (en) * 2017-09-26 2020-06-09 Infineon Technologies Ag System and method for occupancy detection using a millimeter-wave radar sensor
CN107832778B (zh) * 2017-10-13 2021-07-13 中国舰船研究设计中心 一种基于空间综合相似度的相同目标识别方法
CN108549084B (zh) * 2018-01-30 2020-06-02 西安交通大学 一种基于稀疏二维激光雷达的目标检测与姿态估计方法
JP6961274B2 (ja) * 2018-02-22 2021-11-05 バヤール イメージング リミテッド Ｍｉｍｏレーダを用いた相関移動の検出および測定
CN108872991A (zh) * 2018-05-04 2018-11-23 上海西井信息科技有限公司 目标物检测与识别方法、装置、电子设备、存储介质
WO2019216469A1 (ko) * 2018-05-11 2019-11-14 서울대학교 산학협력단 자동차 레이더 시스템에서 탐지된 타겟들의 클러스터링 방법 및 이를 위한 장치
CN109100741B (zh) * 2018-06-11 2020-11-20 长安大学 一种基于3d激光雷达及图像数据的目标检测方法
CN109509256B (zh) * 2018-06-21 2023-07-18 华南理工大学 基于激光雷达的建筑结构自动测量及3d模型生成方法
CN109358322B (zh) * 2018-10-25 2020-10-16 森思泰克河北科技有限公司 前向目标检测雷达和方法
CN109444839B (zh) * 2018-11-29 2020-10-13 北京行易道科技有限公司 目标轮廓的获取方法及装置
CN110033457B (zh) * 2019-03-11 2021-11-30 北京理工大学 一种目标点云分割方法
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
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
CN110456321B (zh) * 2019-08-21 2021-07-30 森思泰克河北科技有限公司 滤除雷达误报的方法、终端设备及存储介质
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
CN110441753B (zh) * 2019-09-19 2021-03-30 森思泰克河北科技有限公司 雷达遮挡检测方法及雷达
CN110865364B (zh) * 2019-11-12 2021-09-28 森思泰克河北科技有限公司 雷达的目标解算方法及终端设备
CN111045008B (zh) * 2020-01-15 2023-06-09 深圳市华讯方舟微电子科技有限公司 基于展宽计算的车载毫米波雷达目标识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106772435A (zh) * 2016-12-12 2017-05-31 浙江华飞智能科技有限公司 一种无人机避障方法和装置
CN109166145A (zh) * 2018-08-10 2019-01-08 中国农业大学 一种基于聚类分割的果树叶片生长参数提取方法及系统
CN110110802A (zh) * 2019-05-14 2019-08-09 南京林业大学 基于高阶条件随机场的机载激光点云分类方法
CN110244322A (zh) * 2019-06-28 2019-09-17 东南大学 基于多源传感器的路面施工机器人环境感知系统及方法
CN110866887A (zh) * 2019-11-04 2020-03-06 深圳市唯特视科技有限公司 一种基于多传感器的目标态势融合感知方法和系统

Also Published As

Publication number Publication date
CN111427032A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111427032B (zh) 基于毫米波雷达的房间墙体轮廓识别方法及终端设备
CN111612841B (zh) 目标定位方法及装置、移动机器人及可读存储介质
CN111398943B (zh) 目标姿态的确定方法及终端设备
CN109828250B (zh) 一种雷达标定方法、标定装置及终端设备
CN113009442B (zh) 一种雷达静止反射面多径目标的识别方法及装置
CN112198878B (zh) 一种即时地图构建方法、装置、机器人及存储介质
CN109949306B (zh) 反射面角度偏差检测方法、终端设备及存储介质
CN111695429A (zh) 视频图像目标关联方法、装置及终端设备
CN110646798B (zh) 目标航迹关联方法、雷达和终端设备
CN115546705A (zh) 目标识别方法、终端设备及存储介质
CN111611900A (zh) 一种目标点云识别方法、装置、电子设备和存储介质
CN112198507A (zh) 人体跌倒特征的检测方法及装置
CN117892174A (zh) 一种基于多维域特征的快速机器学习多径识别方法及系统
CN117192504A (zh) 一种均匀环境中的双子空间信号检测方法与系统
CN116819561A (zh) 一种点云数据匹配方法、系统、电子设备及存储介质
CN113721240B (zh) 一种目标关联方法、装置、电子设备及存储介质
CN110766005B (zh) 目标特征提取方法、装置和终端设备
CN114814808A (zh) 基于雷达的脚踢信号识别方法、雷达、存储介质及汽车
CN112816959B (zh) 用于车辆的聚类方法、装置、设备和存储介质
CN115685219A (zh) 基于激光扫描的目标探测方法、装置及目标探测终端
CN111199537A (zh) 基于图像处理的vts系统雷达目标点迹提取方法、终端设备及计算机可读存储介质
CN111239740A (zh) 一种去除射线噪声的方法及设备
CN113391276B (zh) 一种雷达遮挡检测方法、装置及终端设备
CN115393579B (zh) 一种基于加权块对比度的红外小目标检测方法
CN113625296B (zh) 基于反光板的机器人定位方法、装置及机器人

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