CN113496199B - 对目标对象的基于直方图的l形检测 - Google Patents

对目标对象的基于直方图的l形检测 Download PDF

Info

Publication number
CN113496199B
CN113496199B CN202110297362.1A CN202110297362A CN113496199B CN 113496199 B CN113496199 B CN 113496199B CN 202110297362 A CN202110297362 A CN 202110297362A CN 113496199 B CN113496199 B CN 113496199B
Authority
CN
China
Prior art keywords
rotation angles
target
bin
points
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.)
Active
Application number
CN202110297362.1A
Other languages
English (en)
Other versions
CN113496199A (zh
Inventor
M·吴
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.)
Delphi Technologies Inc
Original Assignee
Delphi Technologies Inc
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 Delphi Technologies Inc filed Critical Delphi Technologies Inc
Publication of CN113496199A publication Critical patent/CN113496199A/zh
Application granted granted Critical
Publication of CN113496199B publication Critical patent/CN113496199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • 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
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles

Abstract

一种检测点云内的L形目标对象的方法包括：使目标点云旋转多个旋转角度；以及针对多个旋转角度中的每一个生成至少一个加权直方图，其中加权直方图包括第一多个仓，每个仓具有在第一轴线上定义的宽度，其中每个仓是基于位于仓内的点的数量以及各点之间在与仓的宽度垂直的方向上的距离而被加权的。针对多个旋转角度中的每一个基于至少一个加权直方图生成分数，并基于所生成的分数来确定目标点云是否为L形。

Description

对目标对象的基于直方图的L形检测
技术领域
本公开大体上涉及对象检测，并且更具体地涉及L形对象检测。
背景技术
驾驶员辅助系统和自主交通工具(vehicle)依靠多种感测技术来可靠地感测和诠释周围环境。所采用的感测技术包括基于光检测和测距(light detection and ranging,LiDAR)的系统、基于雷达的系统、和基于相机的系统，它们独立工作或相互配合工作。
基于LiDAR的系统通过以下方式来操作：生成光信号(例如，激光)，并测量所生成的光信号的反射以确定与附近对象的距离。输出是包括多个点的点云，每个点表示对象的反射。需要进行后续分析来解释和标识点云中的对象，包括在点处进行分割和聚类以标识目标对象。利用附加处理来识别目标对象(例如，交通工具、树木、行人等)。例如，L形拟合被用于标识通常与交通工具相关联的L形，以便确定相邻交通工具的取向和前进方向(heading)。然而，当目标交通工具不具有明确定义的拐角或目标交通工具包括从交通工具侧面延伸出去的对象(例如，后视镜)时，传统的L形聚类会遭受高的计算成本和较差的性能。
发明内容
根据一些方面，一种检测点云内的L形目标对象的方法包括：使目标点云旋转多个旋转角度；以及针对多个旋转角度中的每一个生成至少一个加权直方图，其中加权直方图包括第一多个仓(bin)，每个仓具有在第一轴线上定义的宽度，其中每个仓是基于位于仓内的点的数量以及各点之间在与仓的宽度垂直的方向上的距离而被加权的。针对多个旋转角度中的每一个基于至少一个加权直方图生成分数，并基于所生成的分数来确定目标点云是否为L形。
根据另一方面，一种确定目标对象的指向角度的方法包括：接收表示目标对象的至少一部分的目标点云，该目标点云包括由距传感器的距离定义的多个点。目标点云被旋转多个旋转角度。针对多个旋转角度中的每一个生成第一加权直方图和第二加权直方图，其中第一加权直方图包括第一多个仓，每个仓具有在x轴上定义的宽度，其中第二加权直方图包括第二多个仓，每个仓具有在y轴上定义的宽度，其中，每个仓是基于位于仓内的点的数量以及各点之间在与仓的宽度垂直的方向上的距离而被加权的。针对多个旋转角度的每一个，基于第一加权直方图和第二加权直方图生成分数。基于针对多个旋转角度的每一个生成的分数，标识目标对象的指向角度。
根据一些实施例，L形目标检测系统包括传感器和控制器。传感器被配置成生成包括多个点的点云，该多个点是相对于位于传感器附近的目标生成的，其中与特定目标相关联的点包括目标点云。控制器被配置成接收由传感器生成的点云，并且被进一步配置成使目标点云旋转多个旋转角度。控制器针对多个旋转角度中的每一个生成第一加权直方图和第二加权直方图，其中第一加权直方图包括第一多个仓，每个仓具有在x轴上定义的宽度，其中第二加权直方图包括第二多个仓，每个仓具有在y轴上定义的宽度，其中，每个仓是基于位于仓内的点的数量以及各点之间在与仓的宽度垂直的方向上的距离而被加权的。控制器针对多个旋转角度中的每一个基于第一加权直方图和第二加权直方图生成分数，并基于针对多个旋转角度中的每一个生成的分数来标识目标对象的指向角度。
附图说明
图1a是根据一些实施例的由位于交通工具的前保险杠上的一个或多个传感器生成的点云的顶视图；图1b是根据一些实施例的由一个或多个传感器生成的点云的顶视图，该点云包括相对于目标对象生成的边界框。
图2是根据一些实施例的基于LiDAR的对象检测系统的框图。
图3是根据一些实施例的示出基于直方图的L形检测的流程图。
图4是根据一些实施例的示出两阶段的基于直方图的L形检测的流程图。
图5是示出根据一些实施例的由控制器实现以标识与目标对象相关联的边界框的步骤的流程图。
图6是根据一些实施例的从视觉上示出与示例性目标相关联的点云以及所提取的边界点的三维图。
图7a是示出在给定旋转角度下的目标点云和提取的边界点的图；图7b是响应于图7a中所示的边界点而生成的加权y轴直方图；图7c是响应于图7a中所示的边界点而生成的加权x轴直方图；并且图7d是示出与在多个旋转角下生成的加权直方图相关联的分数的图。
图8a是示出在给定旋转角度下的目标点云和提取的边界点的图；图8b是响应于图8a中所示的边界点而生成的加权y轴直方图；图8c是响应于图8a中所示的边界点而生成的加权x轴直方图；并且图8d是示出与在多个旋转角下生成的加权直方图相关联的分数的图。
具体实施方式
对于自主和半自主交通工具，利用各种不同的传感器来扫描交通工具周围的环境。例如，基于LiDAR的系统生成从相邻对象反射的光脉冲，从而提供与从传感器到反射点的距离有关的信息。每次反射导致在三维空间中定义的点，多个点构成表示交通工具周围的环境的点云。对点云的处理可以包括对相邻点进行聚类以便标识目标点云，每个目标点云表示目标对象(例如，交通工具)。作为标识对象的过程的一部分，确定目标对象指向的方向很重要(即目标的取向或指向角度)。通常通过假设交通工具为矩形并特别寻找与交通工具相关联的L形或拐角来确定取向。目标对象的指向角度是指与目标对象的身体侧平行的角度(假设目标对象是交通工具)并且指向交通工具的前部。
对于缺少明确定义的拐角的目标对象，L形检测可能是很困难的。根据一些实施例，加权直方图方法被用于确定目标对象是否为L形并且进一步检测目标对象的指向角度。在一些实施例中，这包括从目标点云中提取多个边界点。通常，提取的边界点近似于目标对象的轮廓。边界点的取向绕一个点旋转，并且在每个旋转角度下，这些点被组织为第一加权直方图(例如，x轴直方图)和第二加权直方图(例如，y轴直方图)。第一加权直方图包括第一多个仓，每个仓具有沿x轴定义的宽度，其中第二加权直方图包括第二多个仓，每个仓具有沿y轴定义的宽度。基于位于仓内的点的数量以及各点之间在与仓的宽度垂直的方向上的距离，对每个仓进行加权。具有大量点的仓在与该仓垂直的方向上散布了很长的距离，这指示大量的大致对齐的点。如果两个加权直方图在特定的旋转角度下都具有伴随这些特性的仓，则这指示存在L形。
图1a是根据一些实施例的由位于交通工具100的前保险杠上的一个或多个传感器生成并被投影到世界坐标系中的点云的顶视图。图1b是在检测到L形目标对象并在检测到的目标对象周围生成边界框之后的同一点云的顶视图。在图1a所示的实施例中，标记为100的点表示交通工具的位置，而线102表示交通工具100的前进方向和速度。交通工具100包括一个或多个传感器(未示出)，这些传感器用于扫描周围环境并生成所示的点云。在图1a所示的视图中，多个点已被组织成目标对象的聚类，包括多个目标对象104a-104e(统称为104)、105a-105b(统称为105)和106a-106e(统称为106)。在该示例中，目标对象104各自都包括位于明显的L形中的多个点，并且对象105各自都包括沿单个直线(L形的特殊情况)组织的点。相比之下，目标对象106各自都包括未被组织成任何明显的形状的多个点。L形目标对象104可能代表交通工具，目标对象105可能代表护栏，而多个目标对象106可能不代表交通工具或护栏，而可能是路边植被或其他不确定的表面。本文描述的方法用于分析多个目标对象104、105和106，以确定目标对象是否为L形，并且如果是，则确定L形对象的指向角度。例如，在图1b中提供的实施例中，分析与目标对象104、105和106中的每一个相关联的点云，并且如此地标识具有所定义的L形的那些点云(即，目标对象104和105)。如此类似地标识未由所定义的L形表征的目标对象，诸如目标对象106。在一些实施例中，围绕对象绘制边界框，并且基于先前的确定来定义目标对象的取向。例如，用实边界框示出由L形定义的那些目标对象(例如，目标对象104和105)，其中边界框的取向旋转了基于用于检测L形的分析而确定的最佳取向/指向角度。在一些实施例中，对L形对象(例如104或105)是表示交通工具还是诸如护栏之类的某个其他L形对象的确定是往下基于附加输入(例如，L形对象的速度、大小、前进方向)而被确定的。用虚边界框示出不是由L形定义的那些目标对象(例如，目标对象106)。在一些实施例中，对于不是由L形定义的对象，可以将对象的取向设置成等于主交通工具的取向。
在图1a和图1b所示的顶视图中，点云被投影到坐标系上。例如，在一些实施例中，坐标系是源自于主交通工具的起点的世界坐标系。在图1a和图1b中提供的示例中，对象104b(可能是交通工具)具有与主交通工具100的取向相对类似的取向，这表明目标对象104b在相邻车道中平行于主交通工具100行进。相比之下，目标对象104d的取向明显不同，表明车道改变/合并操纵。相比之下，对象106a不具有可区分的L形，并且它的取向被分配为“默认值”(主交通工具的取向)，并且与具有L形的那些对象不同地被标记。
现在参考图2-图4，示出了确定目标对象的指向角度的系统和各种方法。具体地，图2是基于LiDAR的对象检测系统200的框图，其包括一个或多个传感器202a、202b、...202N(统称为传感器202)和控制器204。。在一些实施例中，一个或多个传感器202是LiDAR传感器，其通过生成光束并监测来自远处对象的反射来进行操作。在其他实施例中，传感器202可以是雷达传感器、相机、或能够捕获与周围环境相关联的信息的其他设备。一个或多个传感器202提供包括位于三维空间中的多个点的点云作为输出。控制器204接收一个或多个点云。在一些实施例中，控制器204执行对点云内的点的聚类以标识目标对象。在其他实施例中，一个或多个传感器202中的每一个提供对收集的点云的一些处理/分析。
为了简单起见，假设点已经被分割或聚类为目标点云，每个目标点云表示一个目标对象。基于目标点云，控制器204确定目标对象是否为L形，并且如果是，则确定目标对象的指向角度。在一些实施例中，控制器204还可以确定定义由目标对象所占据的空间的边界框。
根据一些实施例，图3示出了由控制器204实现以确定目标对象是否为L形并进一步确定目标对象的指向角度的步骤。在步骤302处，接收点云。如以上所讨论的，在一些实施例中，控制器204接收并聚集由一个或多个传感器(例如，LiDAR传感器)测量的点云，并且应用聚类技术以标识表示目标对象的目标点云。在其他实施例中，对点云的处理中的至少一些由传感器202提供，其中控制器接收表示目标对象的目标点云。在步骤302处，假设接收到的点云已经被聚类为多个目标点云。例如，参考图1a中提供的示例，目标点云可以包括与目标对象104a相关联的多个点。在此阶段处，尚未作出目标点云包括L形边界的确定，并且还没有作出有关与目标点云相关联的指向角度或边界框的确定。
在一些实施例中，在步骤304处，从目标点云中提取边界点。提取边界点提供了对目标点云的下采样(downsampling)，从而减少点的数量，并因此降低了后续分析的计算复杂性。例如，图6示出了目标点云，该目标点云包括相对于目标对象(在这种情况下，为交通工具)检测到的多个点。边界点提取包括选择准确地表示目标对象的形状的点的子集(在此示例中，由标记为“边界点”的大圆点指示)。希望的是，在提取边界点时提取最少数量的所需的点，同时仍维持与目标对象的形状有关的足够信息。
在一些实施例中，通过以下方式来提取边界点：将目标点云划分为定义角分辨率θ的多个小角度部分，并且随后从小角度部分中的每个小角度部分中选择代表性点。在一些实施例中，在二维空间中提供小角度部分，诸如在相对于传感器坐标系的特定方位角(例如，水平角)处。在一些实施例中，角分辨率θ是固定的。在一些实施例中，角分辨率θ是可变的。在一些实施例中，角分辨率θ基于点距传感器的距离而变化，其中，对于更远离传感器定位的点(其中对象覆盖较小的角度范围，并且点更稀疏)，角分辨率θ减小，而对于更靠近传感器定位的点(其中对象覆盖较大的角度范围，并且各点更紧密地间隔)，角分辨率θ增大。例如，在一个实施例中，基于以下等式确定角分辨率θ：
其中θmin是最小方位角分辨率，dreso是相邻边界点之间的期望距离，并且是到给定目标点云i的传感器的最小距离。在一个示例中，最小方位角分辨率θmin被设置为大约0.3°(即0.005弧度)的值，并且相邻边界点之间的期望距离被设置为0.2米(m)的值。以此方式，随着到给定目标点云的最小距离增大，项/>减小，其中，如果该项减小到小于θmin的值，则项/>指示边界点提取的角分辨率，并且角度分辨率同样会降低，以顾及在更大距离处的点密度的缺乏。在一些实施例中，在特定角度部分内，选择表示到传感器的最小距离的点作为目标对象的边界的代表。以这种方式，从每个角度部分提取单个点。在一些实施例中，提取的边界点仅包括x和y值，其中不包括点的垂直或z方面。因为后续分析是基于标识目标对象的L形几何形状(从俯视角度来看)的，所以不需要点的z分量。然而，在其他实施例中，提取的点可以包括x、y和z分量。在一些实施例中，可以分析目标点云而无需对目标点云进行下采样(即，不提取边界点)，尽管这在计算上更加昂贵。
在一些实施例中，提取边界点的过程允许利用在要被利用的多个平面上扫描的多个光束(由LiDAR传感器利用)，同时保留目标对象的形状。在一些实施例中，这是将多个点展平到x-y平面(忽略点的z分量)的结果。
在步骤306处，选择初始旋转角度。如以下更详细描述的，目标点云(或与目标点云相关联的至少提取点)被旋转多个角度，其中在每个角度下生成的直方图用于定位目标点云的L形几何形状。在一些实施例中，目标点云被旋转超过90°。在一些实施例中，初始旋转角度可以被设置为0°。例如，图7a示出了目标点云(包括多个较小的点)以及被初始化为第一旋转角度的提取的边界点(较大的点)。图8a示出了与图7a所示相同的目标点云，但是被旋转到第二或后续旋转角度。在一些实施例中，绕基于与目标对象相关联的多个点(或至少基于多个提取的点)选择的中点旋转目标点云。例如，在一些实施例中，多个点以点(x中点，y中点)为中心，其中
绕如在等式(2)中所计算的点x中点和y中点旋转会导致目标点云的x和y值被界定在[-距离最大，距离最大]的范围内，其中
在步骤308处，在选定的旋转角度下生成加权直方图。在一些实施例中，加权直方图的生成包括：第一加权直方图的生成和第二加权直方图的生成。基于沿着x轴的点的分布来生成第一加权直方图，并且基于沿着y轴的点的分布来生成第二加权直方图。在一些实施例中，直方图的仓被选择为从-距离最大到距离最大的范围。在一些实施例中，仓宽度是固定的。例如，每个仓可被限定为具有大约0.1米(m)的宽度。在该实施例中，仓的数量是可变的，并且基于-距离最大到距离最大的范围。在其他实施例中，仓的数量是固定的，并且通过将范围-距离最大到距离最大除以仓的固定数量来确定每个仓的宽度。在一些实施例中，通过以下等式来计算给定点的特定仓的索引(index)(例如，在x方向上)：
索引i＝round((xi-(-距离最大))/w仓 等式(4)
其中类似的等式被用来计算y方向上给定点的索引。通过这种方式，将点分配到仓。
除了将点分配到仓之外，还基于仓中的点的数量和被分配给特定仓的所有点在垂直方向上跨越的距离的组合，来对每个仓进行加权。在一些实施例中，使用以下等式计算分数：
其中，是在x方向上在仓j内的点的数量，并且/>是由位于仓j中的所有点跨越的在y方向上的距离。以类似的方式计算与第二加权直方图相关联的仓的分数。生成最大的分数，其中在特定仓中仓具有大量点，并点在垂直方向上跨越大的距离。对于某些仓，如果仅单个点位于该仓中，则点在垂直方向上所跨越的距离将为零，因为y最大和y最小将彼此相等，从而导致关于该仓的分数为零。例如，图7b示出了响应于如图7a所示的沿着y轴的点分布而生成的第一加权直方图，并且图7c示出了响应于如图7a所示的沿着x轴的点分布而生成的第二加权直方图。在此示例中，x和y方向两者中的每个仓都包括几个点(但都不是密集地填充)，并且点在垂直方向上的跨度不大。结果，许多仓的分数在0至7(在y方向上)和0至0.8(在x方向上)的范围内。相比之下，图8b和图8c中所示的仓的分数(相对于图8a中所示的目标点云的旋转生成的)在特定的仓位置处非常高。例如，对于图8b中所示的沿y轴截取的仓，沿y轴的宽度在0.7到0.8之间的仓位置包括多个提取的边界点(/>12)，并且这些点在垂直方向(例如x方向)上从大约为-1.5m跨越至1.5m(3米的跨度)。结果，针对该仓生成的分数将是点的数量(例如12)乘以点在垂直方向上的跨度(例如3m)，得到总分数为36。然而，图8b中所示的其他仓中的大多数等于零，这是因为仅单个点位于每个仓中，并且因此在垂直方向上没有跨越距离。结果是图8b所示的图中明确定义的峰。对在x方向上延伸的仓执行类似的计算，如图8c所示，其中对应的明确定义的峰与在x方向上从-1.9延伸到-2.0的仓相对应。
在步骤310处，基于在特定旋转角度下生成的第一和第二加权直方图来计算净分数。在一些实施例中，在给定的旋转角度下，所计算的净分数仅仅是来自第一加权直方图的最大分数与来自第二加权直方图的最大分数的总和。例如，图8d示出了在多个旋转角度下生成的分数，其中标记为820的点表示在图7a中所示的旋转角度的分数，并且标记为822的点表示在图8a中所示的旋转角度的分数。在这种情况下，标记为820的点的净分数约为7.8，这是来自图7b的第一加权直方图的最大分数(约为7)与来自图7c的第二加权直方图的最大分数(约为0.8)的总和。类似地，标记为822的点的净分数约为45，这是来自图8b的第一加权直方图的最大分数(约为36)和来自图8c的第二加权直方图的最大分数(约为9)的总和。在其他实施例中，基于第一加权直方图和第二加权直方图的净分数可以利用来自其他仓的分数。
在步骤312处，作出是否已经遍历(traverse)了足够数量的旋转角度的确定。在一些实施例中，因为待识别的形状是L形，所以90°的旋转角度的遍历足以找到L形对象。在目标点云尚未被旋转超过阈值量的情况下，在步骤314处，递增旋转角度(即，将目标点云旋转所递增的量)，并在步骤308处继续进行针对所旋转的点云生成加权直方图的过程。在一些实施例中，旋转角度的增量是固定的(例如5°)。在其他实施例中，增量可以基于先前计算的加权直方图的输出而变化。在其他实施例中，可以利用二进制搜索来定位L形对象的最佳取向。如关于图4更详细地描述的，在一些实施例中，该方法包括：在对点云的第一次粗略分析期间利用粗略的增量(例如5°)，以及在确定指向角度时利用精细的增量(例如1°)以提供更高的精度。
如果已经遍历了足够数量的旋转角度，则在步骤316处作出有关目标对象是否为L形的确定。在一些实施例中，这包括选择在步骤310处生成的最高净分数并将该分数与阈值进行比较。在一些实施例中，步骤316处的确定包括确定如下的旋转角度的数量：该旋转角度导致构成所测得的最大净分数的特定百分比(例如，80％)的净分数。例如，对于在多个旋转角度之上测得的一组给定净分数(例如，如图8d所示)，记下最大分数(在此示例中，最大分数约为45)，并且后续地作出其他分数中的任何分数是否在所确定的最大值的阈值百分比(例如，45的80％，或大约三十六)之内的确定。在这种情况下，因为目标点云是相对L形的，所以其他旋转角度均未生成36或更大的净分数，并且因此没有旋转角度被标识为在最大分数的特定百分比内。导致在所测得的最大分数的特定百分比之内的净分数的那些旋转角度被包括在计数n不确定之内，并且与之相关的角度不确定度被计算如下：
u＝n不确定*m[度] 等式(6)
其中，m是相邻旋转角度之间的增量。在一些实施例中，将不确定度u与不确定度阈值Uthres进行比较，其中，如果不确定度u大于阈值Uthres，则将目标对象标识为不是L形的。例如，在一些实施例中，不确定度阈值Uthres被分配大约10°的值。结果，如果在多个旋转角度处生成多个相对相似的分数而没有明确定义的峰，则这指示目标对象实际上不是L形的。在一些实施例中，如果目标被标识为不是L形的，则在步骤320处，形状的指向角度被标识为空值(即，未分配值)或被分配为交通工具的指向角度(即，所分配的取向与交通工具的前进方向相同)。
在一些实施例中，可以利用附加特征来确定目标对象是否为L形(或者以指示交通工具的方式的L形)。例如，在一些实施例中，如果与目标对象相关联的点的数量小于阈值，则作出没有足够的信息可用于确定目标对象是否为L形的确定。例如，如果目标点云由少于10个点组成，则可以将目标对象标识为不具有指示交通工具的L形。在其他实施例中，如果被包括在目标点云中的各点所跨越的距离小于阈值(即，dimx<2.5米且dimy<2.5米)，则作出目标对象不是L形或至少不是以指示示交通工具的方式的L形的确定。
如果在步骤316处作出目标是L形的确定，则在步骤318处，基于导致最大分数的旋转角度来选择指向角度。例如，如图8d所示，基于与最高分数相对应的旋转角度(例如，大约5°)来确定指向角度。如果在步骤316处将目标对象标识为不是L形的，则在步骤319处可以将默认指向角度分配给目标。在一些实施例中，默认指向角度可以是主交通工具的取向。在其他实施例中，尽管确定了加权直方图不表示L形，但是仍可以基于导致最大分数的旋转角度来分配默认指向角度。然而，在任何一种情况下，目标对象都被标识为不是L形的。例如，对被标识为非L形的目标对象的后续分析可被假定为表示交通工具以外的对象，并对应地被处理。
在步骤320处，提供与目标对象(无论是否为L形)相关联的指向角度以及与该对象(例如，L形)有关的其他信息，以对目标对象进行后处理。这可以包括：生成限定目标对象的边界的边界框(下面关于图5更详细地描述的)以及目标跟踪(例如，运动、前进方向、速度等)。
图4是更详细地示出其中点云的旋转和在每个旋转角度处的加权直方图的计算被分为两个阶段的实施例的流程图；在步骤402至410处描述的对旋转角度的第一粗略调整，之后是在步骤412至422处描述的基于粗略调整的结果而被初始化的旋转角度的第二精细调整。
在步骤402处通过初始化第一旋转角度，来开始对旋转角度的第一粗略调整。如关于图3所描述的，所选择的初始旋转角度可以被设置为预定值(例如，0°)。在其他实施例中，旋转角度可以被初始化为关于预期旋转角度的最佳猜测的值，或者被初始化为如下的值：该值将对预期旋转角度的最佳猜测放置在要被遍历的值的范围内。例如，如果预期L形对象的旋转角度将等于大约0°，则可以将旋转角度初始化为-45°的值，其中预期将旋转角度从-45°遍历到45°，总共90°。
在步骤404和406处，如上文关于图3所描述的，在选定的旋转角度下生成第一和第二加权直方图，并且基于加权直方图计算分数。
在步骤408处，作出是否已经遍历了期望的旋转角度的确定。如上所述，在一些实施例中，要被遍历的旋转角度的范围等于大约90°。在其他实施例中，可以利用其他阈值。如果尚未遍历期望的旋转角度，则在步骤410处，将旋转角度递增粗略的增量，并且该过程重复。例如，在一些实施例中，粗略调整可以为大约5°。这限制了遍历期望的旋转角度所需的迭代次数。例如，如果粗略增量为5°，并且要被遍历的期望旋转角度为约90°，则该过程仅需要进行18次迭代。
在步骤412处，将旋转角度的第二精细调整初始化为基于第一阶段的结果选择的值。具体地，利用导致最高净分数的旋转角度来初始化第二阶段。在一些实施例中，将旋转角度初始化为提供最高净分数的粗略角度减去值m，其中m的幅度等于粗略增量减去精细增量(例如，对于5°的粗略增量和1°的精细增量，m＝4)。例如，如果提供最高合计分数的粗略旋转角度等于20°(以5°为增量)，则可以将第二阶段初始化为16°的值，其中期望将从16°到24°以1°的增量遍历旋转角度。
在步骤414和416处，如上文所描述的，在选定的旋转角度下生成第一和第二加权直方图，并且基于加权直方图计算分数。
在步骤418处，作出是否已经遍历了旋转角度的确定。例如，如果旋转角度被初始化为16°的值，并且被预期以1°的增量增至24°来遍历旋转角度，则在步骤418处作出是否已经到达24°的角度的确定。如果尚未遍历旋转角度，则在步骤420处精细地递增旋转角度。
在步骤422处，利用在步骤414-420处生成的加权直方图和分数来确定目标对象是否为L形以及目标对象的指向角度。关于图4描述的方法的优点在于：可以减少需要分析的迭代的总数，同时提供与检测目标对象的旋转角度相关联的期望精度。
现在参考图5，提供了流程图，该流程图示出了根据一些实施例的被执行以标识与目标对象相关联的边界框的步骤。该方法接收指向角度和目标点云作为输入，其中使用关于图3或图4描述的方法来确定指向角度。
在步骤502处，基于所接收的指向角度来旋转目标点云。例如，在一些实施例中，如果指向角度被确定为θ，则目标点云被旋转角度-θ。在一些实施例中，整个目标点云被旋转，而不仅仅是出于构建加权直方图和如关于图3和图4所讨论的确定指向角度的目的而提取的边界点，。在其他实施例中，仅旋转提取的点以用于生成边界框。
在步骤504处，基于目标点云在x和y方向上计算极限值。例如，这包括标识值x最小、x最大、y最小和y最大，其中x最小是目标点云内的最小x值，x最大是目标点云内的最大x值，依此类推。
在步骤506处，基于极限值的差异在x和y方向上计算延伸。例如，基于x最大值和x最小值的差异来计算在x方向上的延伸，并且基于y最大值和y最小值的差异来计算在y方向上的延伸。该延伸可以用来定义所旋转的目标对象的拐角的位置。例如，L形对象的四个拐角由(x最小,y最小)、(x最小,y最大)、(x最大,y最小)和(x最大,y最大)定义。
在步骤508处，基于所确定的指向角度旋转L形对象的四个拐角以定位关于交通工具的边界框。旋转的边界框被提供作为输出。例如，在图1b所示的实施例中，在世界坐标系中示出了多个边界框，其中边界框描述了由目标对象所占据的物理空间。在一些实施例中，为目标对象生成边界框，而不管目标对象是否被标识为L形。然而，在图1b所示的实施例中，与L形目标对象相关联的边界框被标识为这样(实线)，而与非L形目标对象相关联的边界框被标识为非L形(例如，虚线)另外，基于生成最高分数的旋转角度来确定与L形目标对象相关联的指向角度。如以上所讨论的，在一些实施例中，非L形目标对象的指向角度被设置为默认值。
以此方式，本发明提供一种系统和方法，该系统和方法标识目标对象是否为L形，并且如果是，则以计算高效的方式标识目标对象的指向角度。
虽然已参照一个或多个示例性实施例对本发明进行了描述，然而本领域的技术人员将理解，可作出各种变化并且可用等效物替代其中的要素而不背离本发明的范围。此外，可以进行许多修改以使特定情况或材料适应本发明的教导而不脱离本发明的本质范围。因此，本发明不限于所公开的一个或多个特定实施例，但是本发明将包括落入随附权利要求的范围内的所有实施例。
可能实施例的讨论
以下是对本发明的可能实施例的非排他性描述。
在一些方面中，一种确定目标对象的指向角度的方法包括：接收表示目标对象的至少一部分的目标点云，该目标点云包括由距传感器的距离定义的多个点。目标点云被旋转多个旋转角度，并且针对多个旋转角度中的每一个生成第一加权直方图和第二加权直方图，其中第一加权直方图包括第一多个仓，每个仓具有在x轴上定义的宽度，其中第二加权直方图包括第二多个仓，每个仓具有在y轴上定义的宽度，其中，每个仓是基于位于仓内的点的数量以及各点之间在与仓的宽度垂直的方向上的距离而被加权的。针对多个旋转角度中的每一个，基于第一加权直方图和第二加权直方图生成分数。基于针对多个旋转角度的每一个生成的分数，标识目标对象的指向角度。
前述段落的方法可以可选地包括(附加地和/或替代地)以下特征、配置和/或附加部件中的任意一个或多个。
例如，在一些实施例中，该方法可以进一步包括：从目标点云中提取边界点，其中，在多个旋转角度中的每一个下生成的第一加权直方图和第二加权直方图是基于所提取的边界点而被生成的。
在一些实施例中，从目标点云中提取边界点可以包括：将目标点云划分为多个角度部分，其中边界点的提取包括：从每个角度部分中选择单个点。
在一些实施例中，从每个角度部分中选择单个点可以包括：选择具有距传感器最小距离的点。
在一些实施例中，多个旋转角度可以跨越大约90度。
在一些实施例中，使目标点云旋转多个旋转角度可以进一步包括：使目标点云粗略地旋转第一多个旋转角度，每个旋转角度以第一角度分开；以及使目标点云精细地旋转第二个多个旋转角度，每个旋转角度以第二角度分开，其中第二多个旋转角度是基于由第一多个旋转角度生成的分数的。
在一些实施例中，可以基于在多个旋转角度中的每一个下生成的分数来确定目标对象是否为L形。
在一些实施例中，如果目标对象被确定为L形，则目标对象可以基于在多个旋转角度中的每一个下生成的分数而被分配指向角度。
在一些实施例中，确定目标对象是否为L形可包括：基于相对于多个旋转角度中的每一个生成的分数来计算与目标对象相关联的不确定度值。
在一些实施例中，该方法可以进一步包括：基于所标识的指向角度来计算与目标对象相关联的边界框。
根据另一方面，L形目标检测系统包括传感器和控制器。传感器被配置成生成包括多个点的点云，该多个点是相对于位于传感器附近的目标生成的，其中与特定目标相关联的点包括目标点云。控制器被配置成接收由传感器生成的点云，其中控制器被配置成使目标点云旋转多个旋转角度。控制器针对多个旋转角度中的每一个生成第一加权直方图和第二加权直方图，其中第一加权直方图包括第一多个仓，每个仓具有在x轴上定义的宽度，其中第二加权直方图包括第二多个仓，每个仓具有在y轴上定义的宽度，其中，每个仓是基于位于仓内的点的数量以及各点之间在与仓的宽度垂直的方向上的距离而被加权的。控制器针对多个旋转角度的每一个，基于第一加权直方图和第二加权直方图生成分数。控制器基于针对多个旋转角度的每一个生成的分数，标识目标对象的指向角度。
在前段落的系统可以可选地包括(附加地和/或替代地)以下特征、配置和/或附加部件中的任意一个或多个。
例如，在一些实施例中，传感器可以是光检测和测距(LiDAR)传感器。
在一些实施例中，控制器可以被进一步配置成用于：从目标点云中提取边界点，其中，在多个旋转角度中的每一个下生成的第一加权直方图和第二加权直方图是基于所提取的边界点而被生成的。
在一些实施例中，从目标点云中提取边界点可以包括：将目标点云划分为多个角度部分，其中边界点的提取包括从每个角度部分选择单个点。
在一些实施例中，控制器可以被配置成用于：使目标点云旋转第一多个旋转角度，每个旋转角度以第一粗略增量分开；并且使目标点云旋转第二多个旋转角度，每个旋转角度以第二精细增量分开，其中第二多个旋转角度的初始化基于由第一多个旋转角度生成的分数。
在一些实施例中，控制器可以被配置成用于：基于在多个旋转角度中的每一个下生成的分数来确定目标对象是否为L形。
在一些实施例中，控制器可以被配置成用于：通过基于相对于多个旋转角度中的每一个生成的分数来计算与目标对象相关联的不确定度值，来确定目标对象是否为L形，其中，如果不确定度值小于阈值，则将目标标识为L形。
根据另一方面，一种检测点云内的L形目标对象的方法可以包括：使目标点云旋转多个旋转角度；以及针对多个旋转角度中的每一个生成至少一个加权直方图。加权直方图包括第一多个仓，每个仓具有在第一轴线上定义的宽度，其中，每个仓是基于位于仓内的点的数量以及各点之间在与该仓的宽度垂直的方向上的距离而被加权的。该方法进一步包括：针对多个旋转角度中的每一个基于至少一个加权直方图生成分数，并基于所生成的分数来确定目标点云是否为L形。
前述段落的方法可以可选地包括(附加地和/或替代地)以下特征、配置和/或附加部件中的任意一个或多个。
例如，在一些实施例中，生成至少一个加权直方图可以包括：针对多个旋转角度中的每一个生成第一加权直方图和第二加权直方图，其中第一加权直方图包括第一多个仓。每个仓具有在x轴上定义的宽度，其中第二加权直方图包括第二多个仓，每个仓具有在y轴上定义的宽度，其中每个仓是基于位于仓内的点的数量以及各点之间在与仓的宽度垂直的方向上的距离而被加权的。
在一些实施例中，多个旋转角度可以跨越大约90度。

Claims (20)

1.一种确定目标对象的指向角度的方法，所述方法包括：
接收表示所述目标对象的至少一部分的目标点云，所述目标点云包括由距传感器的距离定义的多个点；
使所述目标点云旋转多个旋转角度；
针对所述多个旋转角度中的每一个生成第一加权直方图和第二加权直方图，其中所述第一加权直方图包括第一多个仓，每个仓具有在x轴上定义的宽度，其中所述第二加权直方图包括第二多个仓，每个仓具有在y轴上定义的宽度，其中，每个仓是基于位于所述仓内的点的数量以及各点之间在与所述仓的宽度垂直的方向上的距离而被加权的；
针对所述多个旋转角度中的每一个，基于所述第一加权直方图和所述第二加权直方图生成分数；以及
基于针对所述多个旋转角度的每一个生成的所述分数，标识所述目标对象的所述指向角度。
2.如权利要求1所述的方法，其特征在于，进一步包括：从所述目标点云中提取边界点，其中，在所述多个旋转角度中的每一个下生成的所述第一加权直方图和第二加权直方图是基于所提取的边界点而被生成的。
3.如权利要求2所述的方法，其特征在于，从所述目标点云中提取边界点包括：将所述目标点云划分为多个角度部分，其中，边界点的提取包括：从每个角度部分中选择单个点。
4.如权利要求3所述的方法，其特征在于，从每个角度部分中选择单个点包括：选择具有距所述传感器最小距离的点。
5.如权利要求1所述的方法，其特征在于，所述多个旋转角度跨越大约90度。
6.如权利要求1所述的方法，其特征在于，使所述目标点云旋转多个旋转角度进一步包括：
使所述目标点云粗略地旋转第一多个旋转角度，每个旋转角度以第一角度分开；以及
使所述目标点云精细地旋转第二多个旋转角度，每个旋转角度以第二角度分开，其中所述第二多个旋转角度是基于由所述第一多个旋转角度生成的分数的。
7.如权利要求1所述的方法，其特征在于，进一步包括：
基于在所述多个旋转角度中的每一个下生成的所述分数，确定所述目标对象是否为L形。
8.如权利要求7所述的方法，其特征在于，如果所述目标对象被确定为L形，则所述目标对象基于在所述多个旋转角度中的每一个下生成的所述分数而被分配指向角度。
9.如权利要求7所述的方法，其特征在于，确定所述目标对象是否为L形包括：基于相对于所述多个旋转角度中的每一个生成的所述分数，计算与所述目标对象相关联的不确定度值。
10.如权利要求1所述的方法，其特征在于，进一步包括：
基于所标识的指向角度，计算与所述目标对象相关联的边界框。
11.一种L形目标检测系统，包括：
传感器，所述传感器被配置成生成包括多个点的点云，所述多个点是相对于位于所述传感器附近的目标生成的，其中与特定目标相关联的点包括目标点云；
控制器，所述控制器被配置成接收由所述传感器生成的所述点云，其中，所述控制器被配置成用于：
使所述目标点云旋转多个旋转角度；
针对所述多个旋转角度中的每一个生成第一加权直方图和第二加权直方图，其中所述第一加权直方图包括第一多个仓，每个仓具有在x轴上定义的宽度，其中所述第二加权直方图包括第二多个仓，每个仓具有在y轴上定义的宽度，其中，每个仓是基于位于所述仓内的点的数量以及各点之间在与所述仓的宽度垂直的方向上的距离而被加权的；
针对所述多个旋转角度中的每一个，基于所述第一加权直方图和所述第二加权直方图生成分数；并且
基于针对所述多个旋转角度的每一个生成的所述分数，标识所述目标对象的所述指向角度。
12.如权利要求11所述的L形目标检测系统，其特征在于，所述传感器是光检测和测距(LiDAR)传感器。
13.如权利要求11所述的L形目标检测系统，其特征在于，所述控制器被进一步配置成用于从所述目标点云中提取边界点，其中，在所述多个旋转角度中的每一个下生成的所述第一加权直方图和第二加权直方图是基于所提取的边界点而被生成的。
14.如权利要求13所述的L形目标检测系统，其特征在于，从所述目标点云中提取边界点包括：将所述目标点云划分为多个角度部分，其中，边界点的提取包括：从每个角度部分中选择单个点。
15.如权利要求11所述的L形目标检测系统，其特征在于，控制器被配置成用于
使所述目标点云旋转第一多个旋转角度，每个旋转角度以第一粗略增量分开；并且使所述目标点云旋转第二多个旋转角度，每个旋转角度以第二精细增量分开，其中所述第二多个旋转角度的初始化基于由所述第一多个旋转角度生成的分数。
16.如权利要求11所述的L形目标检测系统，其特征在于，所述控制器被配置成用于：基于在所述多个旋转角度中的每一个下生成的所述分数，确定所述目标对象是否为L形。
17.如权利要求16所述的L形目标检测系统，其特征在于，所述控制器被配置成用于
通过基于相对于所述多个旋转角度中的每一个生成的所述分数来计算与所述目标对象相关联的不确定度值，来确定所述目标对象是否为L形，其中，如果所述不确定度值小于阈值，则将所述目标标识为L形。
18.一种检测点云内的L形目标对象的方法，所述方法包括：
使目标点云旋转多个旋转角度；
针对所述多个旋转角度中的每一个生成至少一个加权直方图，其中所述加权直方图包括第一多个仓，每个仓具有在第一轴线上定义的宽度，其中，每个仓是基于位于所述仓内的点的数量以及各点之间在与所述仓的宽度垂直的方向上的距离而被加权的；
针对所述多个旋转角度中的每一个，基于所述至少一个加权直方图生成分数；以及
基于所生成的分数确定目标点云是否为L形。
19.如权利要求18所述的方法，其特征在于，生成至少一个加权直方图包括：针对所述多个旋转角度中的每一个生成第一加权直方图和第二加权直方图，其中所述第一加权直方图包括第一多个仓，每个仓具有在x轴上定义的宽度，其中所述第二加权直方图包括第二多个仓，每个仓具有在y轴上定义的宽度，其中，每个仓是基于位于所述仓内的点的数量以及各点之间在与所述仓的宽度垂直的方向上的距离而被加权的。
20.如权利要求18所述的方法，其特征在于，所述多个旋转角度跨越大约90度。
CN202110297362.1A 2020-03-20 2021-03-19 对目标对象的基于直方图的l形检测 Active CN113496199B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/825,242 US11668799B2 (en) 2020-03-20 2020-03-20 Histogram based L-shape detection of target objects
US16/825,242 2020-03-20

Publications (2)

Publication Number Publication Date
CN113496199A CN113496199A (zh) 2021-10-12
CN113496199B true CN113496199B (zh) 2024-03-29

Family

ID=74874655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110297362.1A Active CN113496199B (zh) 2020-03-20 2021-03-19 对目标对象的基于直方图的l形检测

Country Status (3)

Country Link
US (1) US11668799B2 (zh)
EP (1) EP3882664A1 (zh)
CN (1) CN113496199B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11668799B2 (en) * 2020-03-20 2023-06-06 Aptiv Technologies Limited Histogram based L-shape detection of target objects

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014003152A1 (de) * 2014-03-03 2015-09-03 Jenoptik Robot Gmbh Verfahren und Vorrichtung zum Bestimmen zumindest eines Objektparameters eines Verkehrsmittels
CN107123161A (zh) * 2017-06-14 2017-09-01 西南交通大学 一种基于narf和fpfh的接触网零全网三维重建方法
CN108010116A (zh) * 2017-11-30 2018-05-08 西南科技大学 点云特征点检测方法和点云特征提取方法
CN109961440A (zh) * 2019-03-11 2019-07-02 重庆邮电大学 一种基于深度图的三维激光雷达点云目标分割方法
CN110363861A (zh) * 2019-07-14 2019-10-22 南京林业大学 基于激光雷达点云的田地作物三维重构方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7741961B1 (en) * 2006-09-29 2010-06-22 Canesta, Inc. Enhanced obstacle detection and tracking for three-dimensional imaging systems used in motor vehicles
US20110295458A1 (en) 2010-05-28 2011-12-01 Verizon Virginia Systems and Methods for Selectively Disabling One or More Features of a Mobile Access Device and/or a Vehicle Associated with the Mobile Access Device
US8605998B2 (en) 2011-05-06 2013-12-10 Toyota Motor Engineering & Manufacturing North America, Inc. Real-time 3D point cloud obstacle discriminator apparatus and associated methodology for training a classifier via bootstrapping
US8824733B2 (en) * 2012-03-26 2014-09-02 Tk Holdings Inc. Range-cued object segmentation system and method
US9014903B1 (en) 2012-05-22 2015-04-21 Google Inc. Determination of object heading based on point cloud
US9208609B2 (en) 2013-07-01 2015-12-08 Mitsubishi Electric Research Laboratories, Inc. Method for fitting primitive shapes to 3D point clouds using distance fields
US10013507B2 (en) * 2013-07-01 2018-07-03 Here Global B.V. Learning synthetic models for roof style classification using point clouds
US8825260B1 (en) 2013-07-23 2014-09-02 Google Inc. Object and ground segmentation from a sparse one-dimensional range data
DE102014007565A1 (de) 2014-05-22 2015-11-26 Connaught Electronics Ltd. Verfahren zum Ermitteln einer jeweiligen Grenze zumindest eines Objekts, Sensorvorrichtung, Fahrerassistenzeinrichtung und Kraftfahrzeug
GB2537681B (en) * 2015-04-24 2018-04-25 Univ Oxford Innovation Ltd A method of detecting objects within a 3D environment
DE102015013031B4 (de) * 2015-10-09 2018-12-27 Drägerwerk AG & Co. KGaA Vorrichtung, Verfahren und Computerprogramm zur Bestimmung einer Lage von zumindest zwei Teilsegmenten einer Patientenlagerungsvorrichtung
CN107025642B (zh) 2016-01-27 2018-06-22 百度在线网络技术（北京）有限公司 基于点云数据的车辆轮廓检测方法和装置
JP6628189B2 (ja) * 2016-05-19 2020-01-08 パナソニックＩｐマネジメント株式会社 検出装置および検出方法
US10031231B2 (en) 2016-09-12 2018-07-24 Delphi Technologies, Inc. Lidar object detection system for automated vehicles
GB2559157A (en) * 2017-01-27 2018-08-01 Ucl Business Plc Apparatus, method and system for alignment of 3D datasets
EP3422042B1 (en) 2017-06-29 2020-03-18 Aptiv Technologies Limited Method to determine the orientation of a target vehicle
US10438371B2 (en) 2017-09-22 2019-10-08 Zoox, Inc. Three-dimensional bounding box from two-dimensional image and point cloud data
US11042146B2 (en) * 2017-11-17 2021-06-22 Kodak Alaris Inc. Automated 360-degree dense point object inspection
EP3525002A1 (en) * 2018-02-12 2019-08-14 Imec Methods for the determination of a boundary of a space of interest using radar sensors
US10775494B2 (en) 2018-03-07 2020-09-15 Aptiv Technologies Limited Method and system for determining the pointing angle of a moving object
CN111175775A (zh) * 2018-11-09 2020-05-19 阿里巴巴集团控股有限公司 定位数据生成方法、装置以及电子设备
US11668799B2 (en) * 2020-03-20 2023-06-06 Aptiv Technologies Limited Histogram based L-shape detection of target objects

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014003152A1 (de) * 2014-03-03 2015-09-03 Jenoptik Robot Gmbh Verfahren und Vorrichtung zum Bestimmen zumindest eines Objektparameters eines Verkehrsmittels
CN107123161A (zh) * 2017-06-14 2017-09-01 西南交通大学 一种基于narf和fpfh的接触网零全网三维重建方法
CN108010116A (zh) * 2017-11-30 2018-05-08 西南科技大学 点云特征点检测方法和点云特征提取方法
CN109961440A (zh) * 2019-03-11 2019-07-02 重庆邮电大学 一种基于深度图的三维激光雷达点云目标分割方法
CN110363861A (zh) * 2019-07-14 2019-10-22 南京林业大学 基于激光雷达点云的田地作物三维重构方法

Also Published As

Publication number Publication date
CN113496199A (zh) 2021-10-12
US20210293930A1 (en) 2021-09-23
EP3882664A1 (en) 2021-09-22
US11668799B2 (en) 2023-06-06

Similar Documents

Publication Publication Date Title
EP3349041B1 (en) Object detection system
CN111712731B (zh) 目标检测方法、系统及可移动平台
CN106991389B (zh) 确定道路边沿的装置和方法
CN111352110A (zh) 处理雷达数据的方法和装置
US8824733B2 (en) Range-cued object segmentation system and method
US8768007B2 (en) Method of filtering an image
US6670912B2 (en) Method for detecting stationary object located above road
US20060115113A1 (en) Method for the recognition and tracking of objects
US10769421B2 (en) Method for performing pedestrian detection with aid of light detection and ranging
CN108280840B (zh) 一种基于三维激光雷达的道路实时分割方法
CN110794406B (zh) 多源传感器数据融合系统和方法
EP3318890B1 (en) Method to provide a vehicle environment contour polyline from detection data
KR101822373B1 (ko) 물체 탐지 장치 및 방법
WO2005086078A1 (en) Method and apparatus for classifying an object
CN110674705A (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN111880196A (zh) 一种无人矿车抗干扰方法、系统及计算机设备
CN112781599A (zh) 确定车辆的位置的方法
WO2023207845A1 (zh) 车位检测方法、装置、电子设备及机器可读存储介质
CN113496199B (zh) 对目标对象的基于直方图的l形检测
CN113740874A (zh) 一种道路边沿检测方法、电子设备及车辆
García et al. Fusion procedure for pedestrian detection based on laser scanner and computer vision
Morris et al. A view-dependent adaptive matched filter for ladar-based vehicle tracking
CN115151836A (zh) 用于探测车辆周围环境中的移动对象的方法和机动车辆
CN114467111A (zh) 物体识别方法及物体识别装置
US20220363288A1 (en) Method and Apparatus for Tracking Object Using Lidar Sensor and Recording Medium Storing Program to Execute the Method

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