CN113537316A - 一种基于4d毫米波雷达点云的车辆检测方法 - Google Patents

一种基于4d毫米波雷达点云的车辆检测方法 Download PDF

Info

Publication number
CN113537316A
CN113537316A CN202110740953.1A CN202110740953A CN113537316A CN 113537316 A CN113537316 A CN 113537316A CN 202110740953 A CN202110740953 A CN 202110740953A CN 113537316 A CN113537316 A CN 113537316A
Authority
CN
China
Prior art keywords
point cloud
point
filtering
cloud data
points
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110740953.1A
Other languages
English (en)
Other versions
CN113537316B (zh
Inventor
吴礼
仝璐
李小柳
胡泰洋
肖泽龙
彭树生
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202110740953.1A priority Critical patent/CN113537316B/zh
Publication of CN113537316A publication Critical patent/CN113537316A/zh
Application granted granted Critical
Publication of CN113537316B publication Critical patent/CN113537316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种基于4D毫米波雷达点云的车辆检测方法，包括：使用融合滤波算法滤除点云数据集中的离群点和噪声点；使用改进的DBSCAN算法进行点云聚类，识别具有相似特征的点云数据，完成点云预处理；使用三分支PointRCNN网络对预处理后的4D毫米波雷达点云数据集进行检测，获得检测结果。本发明实现了较高的目标检测概率，初步解决了4D毫米波雷达目标检测技术匮乏的问题。

Description

一种基于4D毫米波雷达点云的车辆检测方法
技术领域
本发明属于雷达点云目标识别技术，具体为一种基于4D毫米波雷达点云的车辆检测方法。
背景技术
随着经济的快速发展和人民生活水平的逐步提高，汽车的普及率逐渐提高，然而随着汽车保有量的不断增长，交通事故也逐渐频发，驾驶员操作不当是导致交通事故频发的主要原因。智慧交通和自动驾驶技术的发展将极大地提高驾驶的安全性，车辆检测技术是其中的关键环节之一。
目前，常见的车辆检测方法包括基于视觉的车辆检测与基于激光雷达点云的车辆检测。其中，基于视觉的车辆检测方法能够捕捉交通目标的实时画面信息，但易受光照和天气等因素影响，且无法获取交通目标的准确运动信息；激光雷达性能易受恶劣天气影响且成本高昂。
发明内容
本发明的目的在于提出了一种基于4D毫米波雷达点云的车辆检测方法。
实现本发明目的的技术解决方案为：一种基于4D毫米波雷达点云的车辆检测方法，具体步骤为：
步骤1、使用融合滤波算法滤除点云数据集中的离群点和噪声点；
步骤2、使用改进的DBSCAN算法进行点云聚类，滤除虚假点云，识别具有相似特征的点云数据；
步骤3、将点云数据输入三分支PointRCNN网络提取不同密度分布下的点云特征，生成目标的备选提议框并优化，获得检测结果。
优选地，使用融合滤波算法滤除点云数据集中的离群点和噪声点的具体方法为：
步骤1-1、在点云数据中对每一个点，计算它到所有临近点的平均距离，将平均距离在标准范围之外的点定义为噪声点并从点云数据中滤除；
步骤1-2、利用半径滤波进行二次滤波，具体为：设定滤波半径和阈值，计算点云数据中每个点在其半径范围内的其他点的个数N，当N小于设定的阈值时，将该点定义为噪声点并从点云数据中滤除；
步骤1-3、利用双边滤波对剩余噪声点进行滤除。
优选地，利用双边滤波对剩余噪声点进行滤除的具体方法为：在点云数据中对每一个点p搜索其半径为σd的邻域集合，计算邻域集合内每个点的标准偏差σn，根据式
Figure BDA0003141354570000021
和式
Figure BDA0003141354570000022
计算滤波函数的空间权重系数ωd和频率权重系数ωn，并计算滤波因子
Figure BDA0003141354570000023
pi点是点p邻域空间内任意一点，np表示点p法向量，||pi-p||表示点pi到p的距离，||pi-p,np||表示pi在点p法向量上的投影，<pi-p,np>表示二者的向量积。点p沿其法线朝着点的加权平均值移动，获得更新后点的位置p+δ·np替代原有位置。
优选地，使用改进的DBSCAN算法进行点云聚类，滤除虚假点云，识别具有相似特征的点云数据的具体方法为：
步骤2-1、根据K-平均最近邻法求出滤波后的点云数据集S的候选邻域半径Eps参数集SEps；
步骤2-2、依次选用不同K值所对应的K-平均最近邻距离得到对应MinPts参数；
使用DBSCAN算法对滤波后的点云数据集S进行聚类：任意选择一个没有被聚类的核心对象，找到所有位于这个核心对象的Eps邻域内的核心对象的样本集合，标记为一个聚类簇；选择另一个没有被聚类的核心对象去寻找密度可达的样本集合，得到另一个聚类簇；直到所有核心对象都被聚类为止；得到不同K值下生成的聚类簇数，当聚类簇数连续三次相同时，认为聚类趋于稳定，记此时簇数N为最优簇数；
步骤2-3、继续执行步骤2-2，如果聚类簇数不再为N，选用当簇数为N时所对应的最大K值作为最优K值，最优K值对应的Eps参数则为最优Eps参数，最优Eps参数对应的MinPts参数则为最优MinPts参数；如果连续聚类的类数相同，则选择最大的Eps值为最优Eps参数，最优Eps参数对应的MinPts参数则为最优MinPts参数。
优选地，选用不同K值所对应的K-平均最近邻距离得到对应MinPts参数的具体方法为：根据
Figure BDA0003141354570000031
得到对应MinPts参数，其中，Pi表示第i个点云的Eps邻域点数，n为点云数据总量。
优选地，所述三分支PointRCNN网络分为RPN阶段和RCNN阶段两个阶段子网络。
优选地，使用三分支PointRCNN网络对点云数据集进行检测的具体方法为：
步骤3-1、根据点云距离，将点云划分为近、中、远三个区域，并在相邻区域间设定重叠区域，并调整每个区域的点数，近、中、远三个区域点数分别为：
m1、m2+1.5σ2、m3+2σ3，m1、m2、m3分别为近、中和远距离区域的点数的平均值，σ2、σ3分别为中、远距离区域点数的标准偏差；
步骤3-2、将各个区域点数的点云数据分别输入到三分支PointRCNN网络中，RPN阶段子网络根据真实边界框将点云划分为前景和背景点，并生成相应的备选提议框；
步骤3-3、RCNN阶段子网络将每个提议框的集合点转换为正则坐标，并结合RPN阶段子网络学习到的每个点的全局语义特征，进行边界框细化，获得检测结果。
本发明与现有技术相比，其显著优点为：1)本发明对点云进行预处理，使用融合滤波算法和改进的DBSCAN算法，去除了对检测结果存在不良影响的点云数据，实现噪声点、离群点的滤除，为后续目标检测提供大量先验知识，提高了目标检测概率；2)本发明使用三分支PointRCNN网络进行目标检测，直接运行在3D点云上，解决了点云分布不均匀性带来的问题，平衡数据采样的有效性和多样性，具有高鲁棒性和准确的3D检测性能，通过对预处理后的点云进行监督学习，可以实现良好的目标检测效果。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为融合滤波算法流程图。
图2为改进的DBSCAN算法流程图。
图3为三分支PointRCNN主干网络示意图。
图4为4D毫米波雷达原始点云图。
图5为预处理后点云图，图5(a)为滤波处理结果示意图，图5(b)为聚类处理结果示意图。
图6为原始点云和预处理后点云的训练模型的Precision-Recall曲线对比图。
图7为车辆检测结果图。
具体实施方式
如图1～3所示，一种基于4D毫米波雷达点云的车辆检测方法，包括以下步骤：
步骤1、使用融合滤波算法对4D毫米波雷达点云数据进行滤波处理，滤除点云中存在的噪声点和离群点，整体算法流程如图1所示。分别具体为：
步骤1-1、首先使用统计滤波对点云数据进行一次滤波，将一部分大尺度噪声点滤除，具体方法为：在点云数据中对每一个点，计算它到所有临近点的平均距离(假设得到的结果是一个高斯分布，其形状是由均值和标准差决定)，将平均距离在标准范围之外的点定义为噪声点并从点云数据中滤除。
步骤1-2、之后结合半径滤波进行二次滤波，不仅对剩余大尺度噪声点有效滤除，也在一定程度上平滑小尺度噪声点，具体方法为：设定滤波半径和阈值，计算点云数据中每个点在其半径范围内的其他点的个数N，当N小于设定的阈值时，将该点定义为噪声点并从点云数据中滤除。
步骤1-3、最后利用双边滤波进一步对剩余小尺度噪声点进行滤除，实现最优的滤波去噪效果，具体方法为：在点云数据中对每一个点p搜索其半径为σd的邻域集合，计算邻域集合内每个点的标准偏差σn，然后根据式
Figure BDA0003141354570000041
和式
Figure BDA0003141354570000042
计算其滤波函数的空间权重系数ωd和频率权重系数ωn，并计算滤波因子
Figure BDA0003141354570000043
pi点是点p邻域空间内任意一点，np表示点p法向量，||pi-p||表示点pi到p的距离，||pi-p,np||表示pi在点p法向量上的投影，<pi-p,np>表示二者的向量积。点p沿其法线朝着点的加权平均值移动，并获得更新后点的位置p+δ·np替代原有位置。
步骤2、使用改进的DBSCAN算法，滤除来自地物杂波的虚假点云，通过自适应点云分布调节参数，实现具有相似特征的点云数据识别，并将同一类别的点聚为一类，并保留这些类别的点云，如图2所示，具体方法为：
步骤2-1、根据K-平均最近邻法求出滤波后的点云数据集S的候选邻域半径Eps参数集SEps；
步骤2-2、依次选用不同K值(K＝1,2,…,n)所对应的K-平均最近邻距离得到对应MinPts参数，具体为：依次选用集合SEps中的候选Eps参数和由式
Figure BDA0003141354570000051
得到对应MinPts参数，其中，Pi表示第i个点云的Eps邻域点数，n为点云数据总量。然后使用DBSCAN算法对滤波后的点云数据集S进行聚类分析：任意选择一个没有被聚类的核心对象，核心对象指的是在Eps邻域内至少包含MinPts个点的样本点，然后找到所有位于这个核心对象的Eps邻域内的核心对象的样本集合，即密度可达的样本集合，标记为一个聚类簇；接着继续选择另一个没有被聚类的核心对象去寻找密度可达的样本集合，这样就得到另一个聚类簇；一直运行到所有核心对象都被聚类为止。DBSCAN算法后得到不同K值下生成的聚类簇数，当聚类簇数连续三次相同时，认为聚类趋于稳定，记此时簇数N为最优簇数；
步骤2-3、继续执行步骤2-2，直到聚类簇数不再为N，并选用当簇数为N时所对应的最大K值作为最优K值。最优K值对应的Eps参数则为最优Eps参数，最优Eps参数对应的MinPts参数则为最优MinPts参数；如果连续聚类的类数相同，则选择最大的Eps值为最优Eps参数，最优Eps参数对应的MinPts参数则为最优MinPts参数。
步骤3、将经过步骤1、2预处理后的点云作为输入，使用图3所示的三分支密度感知网络作为主干网络实现适应性提取不同密度分布下的点云特征，使用三分支PointRCNN网络生成目标的3D框并优化，对3D框进行微调并获得最终检测结果，所述三分支PointRCNN网络分为RPN(Region Proposal Network)阶段和RCNN(Region-based ConvolutionalNetwork)阶段两个阶段子网络，具体方法为：
步骤3-1、根据点云分布相似性和划分平衡性，将点云划分为近、中、远三个区域，同时为避免车辆目标在边界处被割断，在相邻区域间设定5m的重叠区域(略大于汽车的平均大小)，将输入点云分成三部分：0-25m、20-45m、40m及以上，通过三分支密度感知网络精准学习不同范围内点云的分布特征差异。此外，由于点的分布差异在一定距离间隔内存在显著变化，为了合理设定每个分支的输入点数，平衡采样的有效性和多样性，使用一种基于不确定度的采样策略。首先计算数据集中每个区域内点数的平均值，分别获得近、中和远距离区域的点数的平均值m1、m2、m3(m1＝13.8k，m2＝3.6k，m3＝1.0k)，其次统计出不同区域中点数的标准偏差，分别为近、中和远距离区域(σ1＝1.6k，σ2＝1.2k，σ3＝0.6k)，最后为了均衡采样策略对各区域分布的影响，增大中远距离区域目标所占权重，拟采用划分规则对每个区域内点数划分如下：m1、m2+1.5σ2、m3+2σ3。
步骤3-2、将预处理后的点云数据输入到三分支PointRCNN网络中进行训练，第一阶段基于RPN根据真实边界框将点云划分为前景和背景点，并生成相应的高质量备选提议框。
步骤3-3、经过RPN子网络处理后，第二阶段RCNN子网络将每个提议框的集合点转换为正则坐标，以更好地学习局部空间特征，并结合第一阶段学习到的每个点的全局语义特征，进行精确的边界框细化，获得检测结果。
本发明去除了对检测结果存在不良影响的噪声点、离群点，为后续目标检测提供大量先验知识，提高了目标检测概率，目标检测网络具有高鲁棒性和准确的3D检测性能，可以实现良好的目标检测效果，初步解决了4D毫米波雷达目标检测技术匮乏的问题。
实施例
本实施例中自制的4D雷达数据集共包含3726帧数据，数据内容包括4D毫米波雷达点云文件、基于4D毫米波雷达点云人工标注生成的标签文件以及用于对应参照的图片和激光雷达数据。
本实施例的4D毫米波雷达原始点云如图4所示，对原始点云进行预处理：根据步骤1中的融合滤波方法，滤波处理后效果如图5(a)所示，大量噪声点和离群点被滤除，且完整保留了目标点云信息；之后根据步骤2中改进的DBSCAN算法对点云进行聚类，聚类结果如图5(b)所示。之后执行步骤3，将预处理后的点云输入三分支PointRCNN网络进行训练与测试，调节训练参数至效果最优。
为了评估预处理算法对车辆目标检测性能的影响，绘制Precision-Recall曲线如图6所示，Easy/Moderate/Hard三个级别表示根据距离远近划分的车辆目标检测难度，分别代表近、中、远距离，同一检测难度的曲线使用相同线型不同颜色表示对比，可以看出近距离目标的检测效果明显优于远距离目标。实线表示向三分支PointRCNN网络输入预处理后点云进行训练得到的PR曲线，虚线表示直接向三分支PointRCNN网络输入原始点云进行训练得到的PR曲线，对比可以发现前者的PR曲线包围了后者，PR曲线下面积明显大于后者，这说明预处理算法对于目标检测效果得到明显改善。计算得到测试阶段AP值为66.89％，比直接使用三分支PointRCNN网络检测的AP值65.51％出1.38％，表明检测网络检测性能良好，点云滤波聚类等预处理算法有效提升了目标检测准确度。4D毫米波雷达点云在本文检测算法上的检测结果如图7所示，可以看出，目标检测网络对于近处目标检测效果良好。
综上，本发明对原始点云数据进行预处理后运用深度学习网络检测的方法去除了对检测结果存在不良影响的噪声点、离群点，为后续目标检测提供大量先验知识，提高了目标检测概率，且目标检测网络具有高鲁棒性和准确的检测性能，可以实现良好的目标检测效果，初步解决了4D毫米波雷达目标检测技术匮乏的问题。

Claims (7)

1.一种基于4D毫米波雷达点云的车辆检测方法，其特征在于，具体步骤为：
步骤1、使用融合滤波算法滤除点云数据集中的离群点和噪声点；
步骤2、使用改进的DBSCAN算法进行点云聚类，滤除虚假点云，识别具有相似特征的点云数据；
步骤3、将点云数据输入三分支PointRCNN网络提取不同密度分布下的点云特征，生成目标的备选提议框并优化，获得检测结果。
2.根据权利要求1所述的基于4D毫米波雷达点云的车辆检测方法，其特征在于，使用融合滤波算法滤除点云数据集中的离群点和噪声点的具体方法为：
步骤1-1、在点云数据中对每一个点，计算它到所有临近点的平均距离，将平均距离在标准范围之外的点定义为噪声点并从点云数据中滤除；
步骤1-2、利用半径滤波进行二次滤波，具体为：设定滤波半径和阈值，计算点云数据中每个点在其半径范围内的其他点的个数N，当N小于设定的阈值时，将该点定义为噪声点并从点云数据中滤除；
步骤1-3、利用双边滤波对剩余噪声点进行滤除。
3.根据权利要求2所述的基于4D毫米波雷达点云的车辆检测方法，其特征在于，利用双边滤波对剩余噪声点进行滤除的具体方法为：在点云数据中对每一个点p搜索其半径为σd的邻域集合，计算邻域集合内每个点的标准偏差σn，根据式
Figure FDA0003141354560000011
和式
Figure FDA0003141354560000012
计算滤波函数的空间权重系数ωd和频率权重系数ωn，并计算滤波因子
Figure FDA0003141354560000013
pi点是点p邻域空间内任意一点，np表示点p法向量，||pi-p||表示点pi到p的距离，||pi-p,np||表示pi在点p法向量上的投影，<pi-p,np>表示二者的向量积。点p沿其法线朝着点的加权平均值移动，获得更新后点的位置p+δ·np替代原有位置。
4.根据权利要求1所述的基于4D毫米波雷达点云的车辆检测方法，其特征在于，使用改进的DBSCAN算法进行点云聚类，滤除虚假点云，识别具有相似特征的点云数据的具体方法为：
步骤2-1、根据K-平均最近邻法求出滤波后的点云数据集S的候选邻域半径Eps参数集SEps；
步骤2-2、依次选用不同K值所对应的K-平均最近邻距离得到对应MinPts参数；
使用DBSCAN算法对滤波后的点云数据集S进行聚类：任意选择一个没有被聚类的核心对象，找到所有位于这个核心对象的Eps邻域内的核心对象的样本集合，标记为一个聚类簇；选择另一个没有被聚类的核心对象去寻找密度可达的样本集合，得到另一个聚类簇；直到所有核心对象都被聚类为止；得到不同K值下生成的聚类簇数，当聚类簇数连续三次相同时，认为聚类趋于稳定，记此时簇数N为最优簇数；
步骤2-3、继续执行步骤2-2，如果聚类簇数不再为N，选用当簇数为N时所对应的最大K值作为最优K值，最优K值对应的Eps参数则为最优Eps参数，最优Eps参数对应的MinPts参数则为最优MinPts参数；如果连续聚类的类数相同，则选择最大的Eps值为最优Eps参数，最优Eps参数对应的MinPts参数则为最优MinPts参数。
5.根据权利要求4所述的基于4D毫米波雷达点云的车辆检测方法，其特征在于，选用不同K值所对应的K-平均最近邻距离得到对应MinPts参数的具体方法为：根据
Figure FDA0003141354560000021
得到对应MinPts参数，其中，Pi表示第i个点云的Eps邻域点数，n为点云数据总量。
6.根据权利要求1所述的基于4D毫米波雷达点云的车辆检测方法，其特征在于，所述三分支PointRCNN网络分为RPN阶段和RCNN阶段两个阶段子网络。
7.根据权利要求6所述的基于4D毫米波雷达点云的车辆检测方法，其特征在于，使用三分支PointRCNN网络对点云数据集进行检测的具体方法为：
步骤3-1、根据点云距离，将点云划分为近、中、远三个区域，并在相邻区域间设定重叠区域，并调整每个区域的点数，近、中、远三个区域点数分别为：
m1、m2+1.5σ2、m3+2σ3，m1、m2、m3分别为近、中和远距离区域的点数的平均值，σ2、σ3分别为中、远距离区域点数的标准偏差；
步骤3-2、将各个区域点数的点云数据分别输入到三分支PointRCNN网络中，RPN阶段子网络根据真实边界框将点云划分为前景和背景点，并生成相应的备选提议框；
步骤3-3、RCNN阶段子网络将每个提议框的集合点转换为正则坐标，并结合RPN阶段子网络学习到的每个点的全局语义特征，进行边界框细化，获得检测结果。
CN202110740953.1A 2021-06-30 2021-06-30 一种基于4d毫米波雷达点云的车辆检测方法 Active CN113537316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110740953.1A CN113537316B (zh) 2021-06-30 2021-06-30 一种基于4d毫米波雷达点云的车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110740953.1A CN113537316B (zh) 2021-06-30 2021-06-30 一种基于4d毫米波雷达点云的车辆检测方法

Publications (2)

Publication Number Publication Date
CN113537316A true CN113537316A (zh) 2021-10-22
CN113537316B CN113537316B (zh) 2024-04-09

Family

ID=78097461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110740953.1A Active CN113537316B (zh) 2021-06-30 2021-06-30 一种基于4d毫米波雷达点云的车辆检测方法

Country Status (1)

Country Link
CN (1) CN113537316B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114442101A (zh) * 2022-01-28 2022-05-06 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
CN114565644A (zh) * 2022-03-02 2022-05-31 湖南中科助英智能科技研究院有限公司 三维运动目标检测方法、装置和设备
WO2023108930A1 (zh) * 2021-12-14 2023-06-22 江苏航天大为科技股份有限公司 一种基于点云速度的毫米波雷达大车识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020108311A1 (zh) * 2018-11-29 2020-06-04 北京市商汤科技开发有限公司 目标对象3d检测方法、装置、介质及设备
CN111507982A (zh) * 2019-06-28 2020-08-07 浙江大学 一种基于深度学习的点云语义分割方法
CN111626217A (zh) * 2020-05-28 2020-09-04 宁波博登智能科技有限责任公司 一种基于二维图片和三维点云融合的目标检测和追踪方法
WO2021008202A1 (zh) * 2019-07-16 2021-01-21 浙江大学 一种基于毫米波雷达点云特征的核支持向量机目标分类方法
CN112526513A (zh) * 2021-02-10 2021-03-19 北方工业大学 基于聚类算法的毫米波雷达环境地图构建方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020108311A1 (zh) * 2018-11-29 2020-06-04 北京市商汤科技开发有限公司 目标对象3d检测方法、装置、介质及设备
CN111507982A (zh) * 2019-06-28 2020-08-07 浙江大学 一种基于深度学习的点云语义分割方法
WO2021008202A1 (zh) * 2019-07-16 2021-01-21 浙江大学 一种基于毫米波雷达点云特征的核支持向量机目标分类方法
CN111626217A (zh) * 2020-05-28 2020-09-04 宁波博登智能科技有限责任公司 一种基于二维图片和三维点云融合的目标检测和追踪方法
CN112526513A (zh) * 2021-02-10 2021-03-19 北方工业大学 基于聚类算法的毫米波雷达环境地图构建方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
彭育辉;郑玮鸿;张剑锋;: "基于深度学习的道路障碍物检测方法", 计算机应用, no. 08 *
赵凯;徐友春;李永乐;王任栋;: "基于VG-DBSCAN算法的大场景散乱点云去噪", 光学学报, no. 10 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023108930A1 (zh) * 2021-12-14 2023-06-22 江苏航天大为科技股份有限公司 一种基于点云速度的毫米波雷达大车识别方法
CN114442101A (zh) * 2022-01-28 2022-05-06 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
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
CN114565644A (zh) * 2022-03-02 2022-05-31 湖南中科助英智能科技研究院有限公司 三维运动目标检测方法、装置和设备

Also Published As

Publication number Publication date
CN113537316B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN113537316B (zh) 一种基于4d毫米波雷达点云的车辆检测方法
CN111797716B (zh) 一种基于Siamese网络的单目标跟踪方法
CN108304873B (zh) 基于高分辨率光学卫星遥感影像的目标检测方法及其系统
CN110210475B (zh) 一种非二值化和边缘检测的车牌字符图像分割方法
CN108681525B (zh) 一种基于车载激光扫描数据的路面点云强度增强方法
Kühnl et al. Monocular road segmentation using slow feature analysis
CN108960055B (zh) 一种基于局部线段模式特征的车道线检测方法
CN105184808B (zh) 一种光场图像前后景自动分割方法
CN104091321A (zh) 适用于地面激光雷达点云分类的多层次点集特征的提取方法
CN105528794A (zh) 基于混合高斯模型与超像素分割的运动目标检测方法
CN106056165B (zh) 一种基于超像素关联性增强Adaboost分类学习的显著性检测方法
CN102509291A (zh) 基于无线网络视频传感器的公路路面病害检测及识别方法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN105718866A (zh) 一种视觉目标检测与识别方法
CN111999741A (zh) 路侧激光雷达目标检测方法及装置
Ye et al. Overhead ground wire detection by fusion global and local features and supervised learning method for a cable inspection robot
CN114648654A (zh) 一种融合点云语义类别和距离的聚类方法
CN111274964B (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN114359876A (zh) 一种车辆目标识别方法及存储介质
Baluyan et al. Novel approach for rooftop detection using support vector machine
CN103279944A (zh) 一种基于生物地理优化的图像分割方法
CN114359632A (zh) 一种基于改进PointNet++神经网络的点云目标分类方法
CN112200083B (zh) 一种基于多元高斯混合模型的机载多光谱LiDAR数据分割方法
Ju et al. A novel fully convolutional network based on marker-controlled watershed segmentation algorithm for industrial soot robot target segmentation
CN110310263B (zh) 一种基于显著性分析和背景先验的sar图像居民区检测方法

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