CN113591777A - 激光雷达信号处理方法、电子设备及存储介质 - Google Patents

激光雷达信号处理方法、电子设备及存储介质 Download PDF

Info

Publication number
CN113591777A
CN113591777A CN202110917838.7A CN202110917838A CN113591777A CN 113591777 A CN113591777 A CN 113591777A CN 202110917838 A CN202110917838 A CN 202110917838A CN 113591777 A CN113591777 A CN 113591777A
Authority
CN
China
Prior art keywords
pixel point
pixel
information
pixel points
target
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
CN202110917838.7A
Other languages
English (en)
Other versions
CN113591777B (zh
Inventor
张华龙
杨川川
陈浩
严伟振
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.)
Ningbo Weigan Semiconductor Technology Co ltd
Original Assignee
Ningbo Weigan Semiconductor Technology 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 Ningbo Weigan Semiconductor Technology Co ltd filed Critical Ningbo Weigan Semiconductor Technology Co ltd
Priority to CN202110917838.7A priority Critical patent/CN113591777B/zh
Publication of CN113591777A publication Critical patent/CN113591777A/zh
Application granted granted Critical
Publication of CN113591777B publication Critical patent/CN113591777B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本申请提供一种激光雷达信号处理方法、电子设备及存储介质，涉及遥感技术领域。该激光雷达信号处理方法包括：通过获取激光雷达接收器采集的多个像素点的信息；从每个像素点的信息中提取每个像素点的特征值；根据每个像素点的特征值，采用预先训练的基于支持向量机的分类器，对每个像素点进行分类，得到每个像素点的分类结果，每个像素点的分类结果用于表征每个像素点是否属于目标物；进而根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的信息进行处理，得到每个像素点的目标深度；最后根据多个像素点的目标深度，生成点云图。创新地将支持向量机方法引入到激光雷达信号处理过程中，提高激光雷达系统成像质量以及目标识别的准确性。

Description

激光雷达信号处理方法、电子设备及存储介质
技术领域
本发明涉及遥感技术领域，具体而言，涉及一种激光雷达信号处理方法、电子设备及存储介质。
背景技术
伴随着社会现代化进程，激光雷达技术在目标识别、自动驾驶、安保监控等诸多领域越加发挥出重要且不可替代的作用。
激光雷达技术作为目标探测成像的一种综合技术，可基于采集的像素点的信息生成三维的点云图，实现目标探测成像。在进行目标探测成像的过程中，需要先基于采集的像素点的信息，进行目标识别，继而基于目标识别结果以及各像素点的信息，生成点云图。
因此，目标识别的准确地直接影响激光雷达的目标成像质量，如何提高目标识别的准确性，提高激光雷达系统成像质量，将始终是激光雷达系统需要面临的问题。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种激光雷达信号处理方法、电子设备及存储介质，以便提高激光雷达系统的成像质量，提高目标识别的准确性。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种激光雷达信号处理方法，包括：
获取激光雷达接收器采集的多个像素点的信息；
从每个像素点的信息中提取所述每个像素点的特征值；
根据所述每个像素点的特征值，采用预先训练的基于支持向量机的分类器，对所述每个像素点进行分类，得到所述每个像素点的分类结果，所述每个像素点的分类结果用于表征所述每个像素点是否属于目标物；
根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的信息进行处理，得到所述每个像素点的目标深度；
根据所述多个像素点的目标深度，生成点云图。
可选的，若所述每个像素点的信息为：所述每个像素点的光强数据图，则所述从每个像素点的信息中提取所述每个像素点的特征值，包括：
从所述每个像素点的光强数据图中，提取所述每个像素点的光强参数为所述每个像素点的特征值；
所述根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的信息进行处理，得到所述每个像素点的目标深度，包括：
根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的光强数据图进行处理，得到所述每个像素点的目标光强数据图；
根据所述目标光强数据图中光强最高点位置、所述光强最高点位置对应的时间，计算所述每个像素点的目标深度。
可选的，所述根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的光强数据图进行处理，得到所述每个像素点的目标光强数据图，包括：
从所述多个像素点中选择以所述每个像素点为中心的预设范围内的多个周围像素点；
根据所述多个像素点的分类结果，从所述多个周围像素点中确定与所述每个像素点的分类结果相同的周围像素点作为目标像素点；
将所述目标像素点的光强数据图叠加至所述每个像素点的光强数据图中，得到所述每个像素点的目标光强数据图。
可选的，所述每个像素点的信息为所述每个像素点的数据参数，则所述从每个像素点的信息中提取所述每个像素点的特征值，包括：
从所述每个像素点的数据参数中提取所述每个像素点的深度、角度、光强、颜色中至少一种信息作为所述每个像素点的特征值；
所述根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的信息进行处理，得到所述每个像素点的目标深度，包括：
根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的深度进行处理，得到所述每个像素点的目标深度。
可选的，所述根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的深度进行处理，得到所述每个像素点的目标深度，包括：
从所述多个像素点中选择以所述每个像素点为中心的预设范围内的多个周围像素点；
根据所述多个像素点的分类结果，从所述多个周围像素点中确定与所述每个像素点的分类结果相同的周围像素点作为目标像素点；
将所述目标像素点的深度叠加至所述每个像素点的深度，得到所述每个像素点的目标深度。
可选的，所述采用预先训练的分类器，对所述每个像素点的特征值进行分类，确定所述每个像素点的分类结果，所述每个像素点的分类结果用于表征所述每个像素点是否属于目标物之前，所述方法还包括：
获取所述激光雷达接收器采集的多组样本数据，每组样本数据包括：多个样本像素点的信息；
从所述各样本像素点的信息中提取所述各样本像素点的特征值；
根据所述各样本像素点的特征值，以及所述各像素点对应的分类标记，进行模型训练，得到所述分类器。
可选的，所述方法还包括：
根据所述每个像素点和所述分类器对应超平面的位置关系，对所述分类器的各向量集进行更新。
第二方面，本申请实施例还提供了一种激光雷达装置，包括获取单元、提取单元、分类单元、深度处理单元、生成单元；
所述获取单元，用于获取激光雷达接收器采集的多个像素点的信息；
所述提取单元，用于从每个像素点的信息中提取所述每个像素点的特征值；
所述分类单元，用于根据所述每个像素点的特征值，采用预先训练的基于支持向量机的分类器，对所述每个像素点进行分类，得到所述每个像素点的分类结果，所述每个像素点的分类结果用于表征所述每个像素点是否属于目标物；
所述深度处理单元，用于根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的信息进行处理，得到所述每个像素点的目标深度；
所述生成单元，用于根据所述多个像素点的目标深度，生成点云图。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行上述第一方面任一所述的激光雷达信号处理方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面任一所述的激光雷达信号处理方法的步骤。
本申请的有益效果是：本申请通过获取激光雷达接收器采集的多个像素点的信息；从每个像素点的信息中提取每个像素点的特征值；再根据每个像素点的特征值，采用预先训练的基于支持向量机的分类器，对每个像素点进行分类，得到每个像素点的分类结果，每个像素点的分类结果用于表征每个像素点是否属于目标物；进而根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的信息进行处理，得到每个像素点的目标深度；最后根据多个像素点的目标深度，生成点云图。创新地将支持向量机方法引入到激光雷达信号处理过程中，把激光雷达系统采集到的像素点数据作为支持向量机分类器的输入数据，利用每个像素点的特征值，对像素点所属的具体分类进行判断。在分类判断的基础上结合各像素点的信息，生成点云图，提高目标识别的准确性以及激光雷达系统成像质量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请一实施例提供的一种激光雷达信号处理方法的流程图；
图2为本申请又一实施例提供的一种激光雷达信号处理方法的流程图；
图3为本申请另一实施例提供的一种激光雷达信号处理方法的流程图；
图4为本申请再一实施例提供的一种激光雷达信号处理方法的流程图；
图5为本申请再二实施例提供的一种激光雷达信号处理方法的流程图；
图6为本申请再三实施例提供的一种激光雷达信号处理方法的流程图；
图7为本申请一实施例提供的一种激光雷达装置的示意图；
图8为本申请实施例提供的一种电子设备的示意图。
图例：100-激光雷达装置；701-获取单元；703-提取单元；705-分类单元；707-深度处理单元；709-生成单元；801-处理器；802-存储介质。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
在本申请中，除非另有明确的规定和限定，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包含至少一个特征。在本发明中的描述中，“多个”的含义是至少两个，例如两个、三个，除非另有明确具体的限定。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请的激光雷达信号处理方法可以应用于服务器或者计算机设备，即获取激光雷达系统的数据后进行处理；也可以集成在激光雷达装置的信息处理系统上，将激光雷达接收的数据按照上述方法进行处理后输出。本申请对激光雷达信号处理方法的具体实施阶段不做限定。
图1为本申请一实施例提供的一种激光雷达信号处理方法的流程图；如图1所示，该方法包括：
步骤101：获取激光雷达接收器采集的多个像素点的信息。
激光雷达启动后，激光雷达发射器发射激光脉冲，激光脉冲遇到物体后进行反射，激光雷达接收器接收该反射后的激光脉冲，上述该反射后的激光脉冲中包含多个像素点的信息。示例的，该激光雷达可以通过扫描或阵列的方式进行采集。
根据激光雷达的类型不同，其激光雷达接收器的类型也存在差异。在本申请实施例的可能实现方式中，激光雷达接收器例如可以为单光子雪崩二极管(single-photonavalanche diode，SPAD)接收器、光电二极管(photodiode，PD)接收器、或者雪崩光电二极管(avalanche photodiode，APD)。不同类型的激光雷达接收器接收到的各像素点的信息类型可能不同。示例的，激光雷达接收器为SPAD接收器，则各像素点的信息可以为光子数柱状图；激光雷达接收器为可获取波形信息的PD接收器，则各像素点的信息可以为脉冲波形图；激光雷达接收器为可获取波形信息的APD接收器，则各像素点的信息可以为脉冲波形图。需要说明的是，上述仅为示例，在实际实现中，还可采用其他类型的接收器，且还可提取到更多类型的特征值，本申请对此不做限定。
步骤102：从每个像素点的信息中提取每个像素点的特征值。
在可能实现方式中，根据该像素点的信息类型对应的特征提取方式，从每个像素点的信息中提取每个像素点的特征值。
步骤103：根据每个像素点的特征值，采用预先训练的基于支持向量机的分类器，对每个像素点进行分类，得到每个像素点的分类结果，每个像素点的分类结果用于表征每个像素点是否属于目标物。
该分类器可以为针对该目标物的分类模型，目标物既可以是固定目标物，例如，停在院子里的车等目标物本身位置不发生变动的物体；也可以是移动目标物，例如自动驾驶时的车辆等目标物本身的位置会发生变动的物体。本申请对目标物的具体类型及其移动状态不做限定。
在执行步骤103之前，可先获取样本数据集，样本数据集中各样本数据具有是否属于该目标物的分类标记，基于该样本数据集，采用支持向量机(Support Vector Machine,SVM)技术进行模型训练，得到基于支持向量机的分类器，即该目标物对应的分类器或者分类模型。由于本申请中分类器是基于SVM技术进行训练得到的，那么采用该分类器基于各像素点的特征值对各像素点进行目标物的分类过程中，减少了对于样本数据规模和数据分布的要求，且分类结果更准确。
在具体应用中，可将该各像素点的特征值，输入至该分类器，使得分类器根据每个像素点的特征值，对像素点进行分类，得到每个像素点的分类结果，并进行输出。该分类结果例如可以为分类概率值，若分类概率值为1，可表征像素点属于目标物，反之，若分类概率值为-1，可表征像素点不属于目标物。
步骤104：根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的信息进行处理，得到每个像素点的目标深度。
利用通过步骤103得到的多个像素点的分类结果、步骤101获取的多个像素点的信息即其使用的激光雷达接收器的具体类型，使用相应的方法对每个像素点的信息进行处理后，得到每个像素点的目标深度。需要说明的是，由于使用的激光雷达接收器的具体类型不同，激光雷达接收器接收到的具体信息不同，因此，从中提取或者计算目标深度的方法不同。
步骤105：根据多个像素点的目标深度，生成点云图。
上述目标深度从步骤104中得到，根据该多个像素点的目标深度，生成点云图，该多个像素点包含有属于目标物的像素点，该包含有不属于目标物的像素点也就是背景像素点，因此，生成的点云图实际为包含目标物，以及背景的三维点云图。
综上所述，本申请实施例提供一种激光雷达信号处理方法，通过获取激光雷达接收器采集的多个像素点的信息；从每个像素点的信息中提取每个像素点的特征值；再根据每个像素点的特征值，采用预先训练的基于支持向量机的分类器，对每个像素点进行分类，得到每个像素点的分类结果，每个像素点的分类结果用于表征每个像素点是否属于目标物；进而根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的信息进行处理，得到每个像素点的目标深度；最后根据多个像素点的目标深度，生成点云图。创新地将支持向量机方法引入到激光雷达信号处理过程中，把激光雷达系统采集到的像素点数据作为支持向量机分类器的输入数据，利用每个像素点的特征值，对像素点所属的具体分类进行判断。在分类判断的基础上结合各像素点的信息，生成点云图，提高目标识别的准确性以及激光雷达系统成像质量。
可选的，在上述图1的基础上，本申请还提供一种激光雷达信号处理方法的可能实现方式，在该实施例提供的可能实现方式中，激光雷达接收器可以为可接收数据图的接收器，在此情况下，每个像素点的信息为：每个像素点的光强数据图。可接收数据图的接收器例如可以为SPAD接收器，光强数据图为光子数柱状图；可接收数据图的接收器例如还可以为可获取波形的PD/APD接收器，光强数据图为脉冲波形图。
图2为本申请又一实施例提供的一种激光雷达信号处理方法的流程图；如图2所示，从每个像素点的信息中提取每个像素点的特征值，可包括：
步骤201：从每个像素点的光强数据图中，提取每个像素点的光强参数为每个像素点的特征值。
例如，若激光雷达接收器为SPAD接收器，则可通过扫描或者阵列的方式采集到X*Y(X、Y为大于0的正整数)个像素点的光子数柱状图，其中，上述光子数柱状图的横坐标为从0开始的正整数序列，两个相邻的坐标刻度之间表示时间差Δt，柱状图的纵坐标为该刻度对应的Δt之间内采集到的光子数。光子数柱状图的采集起始时间记为ts。
若激光雷达接收器为可获取波形信息的PD接收器，或者，可获取波形信息的APD接收器，则激光雷达接收器可通过扫描或者阵列的方式采集到X*Y(X、Y为大于0的正整数)个像素点的脉冲波形图，其中，该脉冲波形图的横坐标为时间，纵坐标为光强。波形图开始采集的时间记为ts。需要说明的是，每次采集数据时，脉冲发射时间记为t0与ts之间的时间差应当保持一致。
在一种可能的实现方式中，若光强数据图为光子数柱状图或脉冲波形图，从光强数据图中提取的光强参数可以包括如下至少一种参数：光强最高度点位置peak_pos、光强最高点的强度peak_level、半峰值区间的宽度peak_width、半峰值区间内的平均强度peak_avg、半峰值区间外的平均强度back_avg。
其中，光强最高度点位置peak_pos为光强数据图中光强最高点的横坐标；光强最高点的强度peak_level为光强数据图中光强最高点的纵坐标。
半峰值区间的宽度peak_width为光强数据图中光强最高点向两侧延伸，找到的光强恰好小于最高点一半的两个纵坐标之差。两个纵坐标之间的区间称为半峰值区间。
半峰值区间内的平均强度peak_avg为光强数据图中半峰值区间内的光强的平均值。
半峰值区间外的平均强度back_avg为光强数据图中半峰值区间外的光强的平均值。
若该光强参数可以包括：光强最高度点位置peak_pos、光强最高点的强度peak_level、半峰值区间的宽度peak_width、半峰值区间内的平均强度peak_avg、半峰值区间外的平均强度back_avg，则每个像素点的特征值F可表示为F＝(peak_pos,peak_level,peak_width,peak_avg,back_avg)。
需要说明的是，上述仅为示例说明，在具体的实现方式中，还可能有其他类型的光强数据图，且从光强数据图中还可能提取其他类型的光强参数，本申请对光强数据图的具体类型以及光强数据的具体类型不做限定。
可选的，如上所示的根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的信息进行处理，得到每个像素点的目标深度，可以包括：
步骤202：根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的光强数据图进行处理，得到每个像素点的目标光强数据图；
需要说明的是，每个像素点得到的光强数据图中包含大量信息，需要对此信息进行处理，对其中的必要数据进行提取，删减到干扰信息。
步骤203：根据目标光强数据图中光强最高点位置、光强最高点位置对应的时间，计算每个像素点的目标深度。
需要说明的是，根据光强数据图的类型不同，所能提取到的光强参数存在差异，对每个像素点的目标深度的计算方式不同。
在一种可能的实现方式中，可根据目标光强数据图中光强最高点位置peak_pos_b、光强最高点位置对应的时间t1、该每个像素点的采集起始时间ts、激光雷达发射器发射时间记为t0，激光的传播速度为光速c，采用公式d＝(t1-t0)*c/2，计算得到每个像素点的目标深度。
其中，若光强数据图为光子数柱状图，光强最高点位置对应的时间t1＝ts+peak_pos_b*Δt，其中，Δt为光子数柱状图中相邻两个坐标刻度之间的时间差；若光强数据图为脉冲波形图，光强最高点位置对应的时间t1＝ts+peak_pos_b。
上述仅为示例说明，再具体的实现中，还可能存在其他计算方式，本申请对此不做限定。
从光强数据图中，提取每个像素点的光强参数，对光强数据图进行处理得到每个像素点的目标光强数据图中，利用该目标光强数据图中光强最高点位置、光强最高点位置对应的时间，计算每个像素点的目标深度，通过对光强数据图中数据的提取以及进一步处理，得到目标深度信息，实现对像素点信息的增强，进而实现对点云图信息的增强。
可选的，在上述图2的基础上，本申请还提供一种激光雷达信号处理方法的可能实现方式，图3为本申请另一实施例提供的一种激光雷达信号处理方法的流程图；如图3所示，上述根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的光强数据图进行处理，得到每个像素点的目标光强数据图，包括：
步骤301：从多个像素点中选择以每个像素点为中心的预设范围内的多个周围像素点。
在一种具体的实现方式中，对于位于第i行第j列的像素点Pij，选择其周围的(2k+1)*(2k+1)个点。其中，k的具体取值是根据该目标物与背景的复杂程度进行设定。例如，在一种应用场景中，当目标物为绿色草地上的一张白纸时，由于目标物较为明确简单，背景也比较简单，则可以将k值设置的较小；在另一种应用场景中，目标物是道路上的一辆自行车时，相较于上一种可能的实现方式而言，此目标物较为复杂，由此可以将k值设置的较上一种可能的实现方式而言更大一些。
在又一种可能的实现方式中，预先设置有多个k值，在测试过程中，可以针对各k值，分别获取各k值对应的周围像素点，并在各k值情况下选择目标像素点继而计算对应的目标深度，以生成各k值对应的点云图，并根据该各k值对应的点云图的图像质量从多个k值中选择一个最高图像质量对应的k值作为目标k值，以在实际应用中进行应用。上述仅为示例说明，本申请对k值的具体取值以及取值方式不做限定。
步骤302：根据多个像素点的分类结果，从多个周围像素点中确定与每个像素点的分类结果相同的周围像素点作为目标像素点。
在具体的实现方式中，若像素点Pij属于目标物，则从多个周围像素点中选择分类结果为目标物的周围像素点作为该像素点的目标像素点；若像素点Pij不属于目标物，则从多个周围像素点中确定分类结果非目标物的周围像素点作为该像素点的目标像素点。
需要说明的是，步骤302中对每个像素点都进行了处理，即既可以对目标物进行处理，也可以对背景进行处理，可以根据实际需要进行选择。若选择只对目标物进行处理，则耗时低。若选择对背景和目标物一同进行处理，还可以实现对背景信息的增强。
303：将目标像素点的光强数据图叠加至每个像素点的光强数据图中，得到每个像素点的目标光强数据图。
步骤需要说明的是，根据光强数据图的类型不同，其叠加方式不同。
在一种可能的实现方式中，若光强数据图为光子数柱状图，第i行第j列的像素点Pij的光子数柱状图数据记为Hij，从步骤301选择的多个像素点中选择多个周围像素点中选择分类结果与Pij的分类结果相同的点，将这些点的光子数柱状图数据叠加到Hij上，将叠加后的结果记为H’ij，即为目标光强数据图。
在另一种可能的实现方式中，若光强数据图为脉冲波形图，第i行第j列的像素点Pij的脉冲波形图数据记为Hij，从步骤301选择的多个像素点中选择多个周围像素点中选择分类结果与Pij的分类结果相同的点，将这些点的脉冲波形图数据叠加到Hij上，将叠加后的结果记为H’ij，即为目标光强数据图。
在分类判断的基础上对图像进行进一步处理，降低图像处理过程中属于不同分类的像素点之间的信息互相干扰。
可选的，在上述图1的基础上，本申请还提供一种激光雷达信号处理方法的可能实现方式，在该实施例提供的可能实现方式中，激光雷达接收器为不可获取波形信息的PD/APD接收器，图4为本申请再一实施例提供的一种激光雷达信号处理方法的流程图；如图4所示，上述每个像素点的信息为每个像素点的数据参数，则从每个像素点的信息中提取每个像素点的特征值，包括：
步骤401：从每个像素点的数据参数中提取每个像素点的深度、角度、光强、颜色中至少一种信息作为每个像素点的特征值。
在一种可能的实现方式中，不可获取波形的PD/APD接收器通过扫描或者阵列的方式采集到X*Y(X、Y为大于0的正整数)个像素点对应的深度d、角度θ、光强peak_level、RGB颜色(RGB color，RGB)信息。由此，例如，每个像素点的特征值F可以表示为F＝(d,θ,peak_level,r,g,b)。
需要说明的是，上述仅为示例说明，在实际实现中，还可能从数据参数信息中提取其他类型的信息，例如x坐标值、y坐标值、回波强度、第几次回波、回波总次数、近红外波段光谱值NIR等。此外，除了选择深度、角度、光强、颜色中至少一种信息作为特征值以外，还能有其他类型的信息做为特征值的实现方式，本申请对此不做限定。
根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的信息进行处理，得到每个像素点的目标深度，包括：
步骤402：根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的深度进行处理，得到每个像素点的目标深度。
需要说明的是，若激光雷达接收器为不可获取波形的PD/APD接收器时，其可直接获取深度信息，但需要对该深度信息进行处理，以得到每个像素点的目标深度，以增强有用信息，减少干扰。
若激光雷达接收器不能接受波形信号时，可以使用上述方法进行处理，增强了本申请方法的适用范围。
可选的，在上述图4的基础上，本申请还提供一种激光雷达信号处理方法的可能实现方式，图5为本申请再二实施例提供的一种激光雷达信号处理方法的流程图；如图5所示，上述根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的深度进行处理，得到每个像素点的目标深度，包括：
步骤501：从多个像素点中选择以每个像素点为中心的预设范围内的多个周围像素点；
在一种具体的实现方式中，对于位于第i行第j列的像素点Pij，选择其周围的(2k+1)*(2k+1)个点。
在一种具体的实现方式中，对其中k的具体取值是根据目标物与背景的复杂程度进行设定。在另一种具体的实现方式中，可以通过对多个预设k值进行测试后，根据各个k值对应得到的点云图的图像质量，确定该场景下k值的具体取值。本申请对k值的具体取值以及取值方式不做限定。其举例与步骤301中的k值选取方式相同，在此不再赘述。
步骤502：根据多个像素点的分类结果，从多个周围像素点中确定与每个像素点的分类结果相同的周围像素点作为目标像素点；
在具体的实现方式中，若像素点Pij属于目标物，则从多个周围像素点中选择分类结果为目标物的周围像素点作为该像素点的目标像素点；若像素点Pij不属于目标物，则从多个周围像素点中确定分类结果非目标物的周围像素点作为该像素点的目标像素点。
步骤503：将目标像素点的深度叠加至每个像素点的深度，得到每个像素点的目标深度。
在一种可能的实现方式中，第i行第j列的像素点Pij的深度信息记为dij，从步骤301选择的多个像素点中选择多个周围像素点中选择分类结果与Pij的分类结果相同的点，将这些点的深度信息叠加到dij上，将叠加后的结果记为d’ij，即为该像素点的目标深度。
使用上述方法进行对深度信息进行处理，得到像素点的目标深度，降低了数据处理过程中属于不同分类的像素点之间的信息干扰。
可选的，在上述图1-图5基础上，本申请还提供一种激光雷达信号处理方法的可能实现方式，在该实施例提供的可能实现方式中，采用的预先训练的分类器为传统的SVM方法训练的分类器，在此情况下，图6为本申请再三实施例提供的一种激光雷达信号处理方法的流程图；如图6所示，上述采用预先训练的分类器，对每个像素点的特征值进行分类，确定每个像素点的分类结果，每个像素点的分类结果用于表征每个像素点是否属于目标物之前，该方法还包括：
步骤601：获取激光雷达接收器采集的多组样本数据，每组样本数据包括：多个样本像素点的信息；
激光雷达接收器通过扫描或者阵列的方式采集到多组样本数据，其采集到的每组样本数据中包含有多个样本像素点的信息。
若激光雷达接收器为SPAD接收器时，其采集的每组样本数据中可以包括X*Y(X、Y为大于0的正整数)个像素点对应的光子数柱状图。
若激光雷达接收器为可获取波形的PD/APD接收器时，其采集的每组样本数据中可以包括X*Y(X、Y为大于0的正整数)个像素点对应的脉冲波形图。
若激光雷达接收器为不可获取波形的PD/APD接收器时，其采集的每组样本数据中可以包括X*Y(X、Y为大于0的正整数)个像素点对应的深度d、角度θ、光强peak_level、RGB颜色(RGB color，RGB)信息。
需要说明的是，上述X、Y的具体取值受人为设置和激光雷达接收器具体型号的硬件限定，本申请对其具体数值不做要求。
步骤602：从各样本像素点的信息中提取各样本像素点的特征值；
若激光雷达接收器为SPAD接收器或者可获取波形的PD/APD接收器时，其样本中像素点的特征值可以为：F＝(peak_pos,peak_level,peak_width,peak_avg,back_avg)。
若激光雷达接收器为不可获取波形的PD/APD接收器时，其样本中像素点的特征值可以为：F＝(d,θ,peak_level,r,g,b)。
需要说明的是，在训练分类器时，对像素点具体特征值的选择需要与从接收器接收的数据中所提取的特征值对应。一方面来说，训练分类器中所选择的特征值应当能够从接收器接收的数据中提取得到；另一方面来说，从接收器接收的数据中提取特征值时，可以只提取训练分类器所需要的特征值类型的特征值，以减少计算数据量。
还需要说明的是，根据对像素点特征值的数目以及具体特征值的选择，得到分类器的分类结果可能存在误差，可以通过调整特征值实现误差的缩小。例如若激光雷达接收器为SPAD接收器或者可获取波形的PD/APD接收器时，设置其样本中像素点的特征值为：F1＝(peak_pos,peak_level)时，得到的分类器的分类效果与特征值为：F2＝(peak_pos)得到的分类器的分类效果可能存在差异，用户根据不同分类器的分类效果选择合适数量的特征值进行构建分类器。
步骤603：根据各样本像素点的特征值，以及各像素点对应的分类标记，进行模型训练，得到分类器。
针对从步骤601中获得的各样本像素点，首先进行人工分类，即人工判断各个样本像素点的分类，并给每个样本像素点加上分类标记l。本申请对分类标记l的具体设置方式不做限定，只要能对属于某一分类、不属于某一分类这两种情况进行区分即可，在一种可能的实施方式中，l的取值为1或者-1，其中，1代表该像素点属于目标物，-1代表该像素点不属于目标物。
将人工分类的分类标记l以及步骤602中得到的对应的各样本像素点的特征值的集合作为训练集Dtrain，进行SVM模型训练，得到训练结果即为分类器M0。
通过SVM构建分类器，将SVM应用于激光雷达信号处理方法当中，提高激光雷达系统的成像质量并实现了目标识别的准确性。
可选的，在上述图1-图5基础上，本申请还提供一种激光雷达信号处理方法的可能实现方式，在该实施例提供的可能实现方式中，采用的预先训练的分类器为自适应的SVM方法训练的分类器，在此情况下，上述方法还包括：
根据每个像素点和分类器对应超平面的位置关系，对分类器的各向量集进行更新。
对每个像素点，首先进行人工分类，即人工判断各个样本像素点的分类，并给每个样本像素点加上分类标记l。
将各像素点人工分类的分类标记l以及该像素点对应的特征值的集合作为训练集Dtrain，进行SVM模型训练，训练得到分类器M0。
根据训练得到的分类器M0可以得到两个超平面，两个超平面之间的距离记为DW。位于两个超平面上的像素点记为支持向量集SV。位于两个超平面内的记为不可分向量集BSV。位于两个超平面同一侧的可分类点，如果其和超平面距离小于DW，则把这些向量纳入向量集NSV。同时保存训练过程中得到的最小模型参数DW、SV、BSV、NSV。
对每个像素点，根据该像素点与超平面之间的位置关系，有如下处理方法：
若该像素点位于超平面上，则该像素点为支持向量集，将该点加入SV；
若该像素点是位于两个超平面同一侧的可分类点，且距离最近的超平面小于DW，则将该点加入NSV；
若该像素点是位于两个超平面同一侧的可分类点，且距离最近的超平面大于DW，则不更新数据集；
若该像素点位于两个超平面内，则将该点分别标记为1和-1，和SV、BSV、NSV一起重新训练，得到两个不同的DW，选择其中DW更大的一种标记方法。根据训练结果更新M0、DW、SV、BSV、NSV。
传统的SVM方法，当新数据与旧的训练数据相差较大时，模型的分类效果将会下降。本方法提供了一种自适应SVM方法，能够通过对新数据的学习判断，将新数据加入到模型中，实时更新模型，使模型在待分类数据发生变化时仍能保持较好的分类效果。
下述对用以执行本申请所提供的激光雷达装置及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
本申请实施例提供一种激光雷达装置的可能实现示例，能够执行上述实施例提供的激光雷达信号处理方法。图7为本申请一实施例提供的一种激光雷达装置的示意图。如图7所示，上述激光雷达装置100，包括：获取单元701、提取单元703、分类单元705、深度处理单元707、生成单元709；
获取单元701，用于获取激光雷达接收器采集的多个像素点的信息。
提取单元703，用于从每个像素点的信息中提取每个像素点的特征值。
分类单元705，用于根据每个像素点的特征值，采用预先训练的基于支持向量机的分类器，对每个像素点进行分类，得到每个像素点的分类结果，每个像素点的分类结果用于表征每个像素点是否属于目标物。
深度处理单元707，用于根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的信息进行处理，得到每个像素点的目标深度。
生成单元709，用于根据多个像素点的目标深度，生成点云图。
可选的，提取单元703，具体用于，若每个像素点的信息为：每个像素点的光强数据图，从每个像素点的光强数据图中，提取每个像素点的光强参数为每个像素点的特征值；
深度处理单元707，具体用于，根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的光强数据图进行处理，得到每个像素点的目标光强数据图；根据目标光强数据图中光强最高点位置、光强最高点位置对应的时间，计算每个像素点的目标深度。
可选的，深度处理单元707，具体用于，从多个像素点中选择以每个像素点为中心的预设范围内的多个周围像素点；根据多个像素点的分类结果，从多个周围像素点中确定与每个像素点的分类结果相同的周围像素点作为目标像素点；将目标像素点的光强数据图叠加至每个像素点的光强数据图中，得到每个像素点的目标光强数据图。
可选的，提取单元703，具体用于，从每个像素点的数据参数中提取每个像素点的深度、角度、光强、颜色中至少一种信息作为每个像素点的特征值。
深度处理单元707，具体用于根据多个像素点的分类结果以及多个像素点的信息，对每个像素点的深度进行处理，得到每个像素点的目标深度。
可选的，深度处理单元707，具体用于从多个像素点中选择以每个像素点为中心的预设范围内的多个周围像素点；根据多个像素点的分类结果，从多个周围像素点中确定与每个像素点的分类结果相同的周围像素点作为目标像素点；将目标像素点的深度叠加至每个像素点的深度，得到每个像素点的目标深度。
可选的，获取单元701，具体用于获取激光雷达接收器采集的多组样本数据，每组样本数据包括：多个样本像素点的信息。
提取单元703，具体用于，从各样本像素点的信息中提取各样本像素点的特征值。
分类单元705，具体用于根据各样本像素点的特征值，以及各像素点对应的分类标记，进行模型训练，得到分类器。
可选的，在上述图7基础上，本申请还提供一种激光雷达信号处理方法的可能实现方式，分类单元705，具体用于根据每个像素点和分类器对应超平面的位置关系，对分类器的各向量集进行更新。
以上这些单元可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个单元通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些单元可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
本申请实施例提供一种电子设备的可能实现示例，能够执行上述实施例提供的激光雷达信号处理方法。图8为本申请实施例提供的一种电子设备的示意图，该设备可以集成于终端设备或者终端设备的芯片，该终端可以是具备数据处理功能的计算设备。
该电子设备包括：处理器801、存储介质802和总线，存储介质存储有处理器可执行的程序指令，当控制设备运行时，处理器与存储介质之间通过总线通信，处理器执行程序指令，以执行时执行上述激光雷达信号处理方法的步骤。具体实现方式和技术效果类似，这里不再赘述。
本申请实施例提供一种计算机可读存储介质的可能实现示例，能够执行上述实施例提供的激光雷达信号处理方法，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述激光雷达信号处理方法的步骤。
存储在一个存储介质中的计算机程序，可以包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种激光雷达信号处理方法，其特征在于，包括：
获取激光雷达接收器采集的多个像素点的信息；
从每个像素点的信息中提取所述每个像素点的特征值；
根据所述每个像素点的特征值，采用预先训练的基于支持向量机的分类器，对所述每个像素点进行分类，得到所述每个像素点的分类结果，所述每个像素点的分类结果用于表征所述每个像素点是否属于目标物；
根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的信息进行处理，得到所述每个像素点的目标深度；
根据所述多个像素点的目标深度，生成点云图。
2.如权利要求1所述的方法，其特征在于，若所述每个像素点的信息为：所述每个像素点的光强数据图，则所述从每个像素点的信息中提取所述每个像素点的特征值，包括：
从所述每个像素点的光强数据图中，提取所述每个像素点的光强参数为所述每个像素点的特征值；
所述根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的信息进行处理，得到所述每个像素点的目标深度，包括：
根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的光强数据图进行处理，得到所述每个像素点的目标光强数据图；
根据所述目标光强数据图中光强最高点位置、所述光强最高点位置对应的时间，计算所述每个像素点的目标深度。
3.如权利要求2所述的方法，其特征在于，所述根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的光强数据图进行处理，得到所述每个像素点的目标光强数据图，包括：
从所述多个像素点中选择以所述每个像素点为中心的预设范围内的多个周围像素点；
根据所述多个像素点的分类结果，从所述多个周围像素点中确定与所述每个像素点的分类结果相同的周围像素点作为目标像素点；
将所述目标像素点的光强数据图叠加至所述每个像素点的光强数据图中，得到所述每个像素点的目标光强数据图。
4.如权利要求1所述的方法，其特征在于，所述每个像素点的信息为所述每个像素点的数据参数，则所述从每个像素点的信息中提取所述每个像素点的特征值，包括：
从所述每个像素点的数据参数中提取所述每个像素点的深度、角度、光强、颜色中至少一种信息作为所述每个像素点的特征值；
所述根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的信息进行处理，得到所述每个像素点的目标深度，包括：
根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的深度进行处理，得到所述每个像素点的目标深度。
5.如权利要求4所述的方法，其特征在于，所述根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的深度进行处理，得到所述每个像素点的目标深度，包括：
从所述多个像素点中选择以所述每个像素点为中心的预设范围内的多个周围像素点；
根据所述多个像素点的分类结果，从所述多个周围像素点中确定与所述每个像素点的分类结果相同的周围像素点作为目标像素点；
将所述目标像素点的深度叠加至所述每个像素点的深度，得到所述每个像素点的目标深度。
6.如权利要求1-5中任一所述的方法，其特征在于，所述采用预先训练的分类器，对所述每个像素点的特征值进行分类，确定所述每个像素点的分类结果，所述每个像素点的分类结果用于表征所述每个像素点是否属于目标物之前，所述方法还包括：
获取所述激光雷达接收器采集的多组样本数据，每组样本数据包括：多个样本像素点的信息；
从所述各样本像素点的信息中提取所述各样本像素点的特征值；
根据所述各样本像素点的特征值，以及所述各像素点对应的分类标记，进行模型训练，得到所述分类器。
7.如权利要求1-5中任一所述的方法，其特征在于，所述方法还包括：
根据所述每个像素点和所述分类器对应超平面的位置关系，对所述分类器的各向量集进行更新。
8.一种激光雷达装置，其特征在于，包括获取单元、提取单元、分类单元、深度处理单元、生成单元；
所述获取单元，用于获取激光雷达接收器采集的多个像素点的信息；
所述提取单元，用于从每个像素点的信息中提取所述每个像素点的特征值；
所述分类单元，用于根据所述每个像素点的特征值，采用预先训练的基于支持向量机的分类器，对所述每个像素点进行分类，得到所述每个像素点的分类结果，所述每个像素点的分类结果用于表征所述每个像素点是否属于目标物；
所述深度处理单元，用于根据所述多个像素点的分类结果以及所述多个像素点的信息，对所述每个像素点的信息进行处理，得到所述每个像素点的目标深度；
所述生成单元，用于根据所述多个像素点的目标深度，生成点云图。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行如权利要求1至7任一所述的激光雷达信号处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的激光雷达信号处理方法的步骤。
CN202110917838.7A 2021-08-11 2021-08-11 激光雷达信号处理方法、电子设备及存储介质 Active CN113591777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110917838.7A CN113591777B (zh) 2021-08-11 2021-08-11 激光雷达信号处理方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110917838.7A CN113591777B (zh) 2021-08-11 2021-08-11 激光雷达信号处理方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113591777A true CN113591777A (zh) 2021-11-02
CN113591777B CN113591777B (zh) 2023-12-08

Family

ID=78257027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110917838.7A Active CN113591777B (zh) 2021-08-11 2021-08-11 激光雷达信号处理方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113591777B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015105239A1 (ko) * 2014-01-13 2015-07-16 삼성테크윈 주식회사 차량 및 차선 위치 검출 시스템 및 방법
CN106355194A (zh) * 2016-08-22 2017-01-25 广东华中科技大学工业技术研究院 一种基于激光成像雷达的无人艇水面目标处理方法
CN108038453A (zh) * 2017-12-15 2018-05-15 罗派智能控制技术（上海）有限公司 一种基于rgbd的汽车驾驶员状态检测和识别系统
CN109375237A (zh) * 2018-12-12 2019-02-22 北京华科博创科技有限公司 一种全固态面阵三维成像激光雷达系统
CN109870705A (zh) * 2017-12-01 2019-06-11 武汉万集信息技术有限公司 基于激光雷达的边界目标标识方法及装置
CN110956137A (zh) * 2019-12-02 2020-04-03 深圳市镭神智能系统有限公司 点云数据的目标检测方法、系统及介质
CN111191600A (zh) * 2019-12-30 2020-05-22 深圳元戎启行科技有限公司 障碍物检测方法、装置、计算机设备和存储介质
WO2021023106A1 (zh) * 2019-08-02 2021-02-11 杭州海康威视数字技术股份有限公司 目标识别方法、装置及摄像机
CN112419494A (zh) * 2020-10-09 2021-02-26 腾讯科技（深圳）有限公司 用于自动驾驶的障碍物检测、标记方法、设备及存储介质
WO2021046547A1 (en) * 2019-09-06 2021-03-11 Ouster, Inc. Processing of lidar images
WO2021062581A1 (zh) * 2019-09-30 2021-04-08 深圳市大疆创新科技有限公司 路面标识识别方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015105239A1 (ko) * 2014-01-13 2015-07-16 삼성테크윈 주식회사 차량 및 차선 위치 검출 시스템 및 방법
CN106355194A (zh) * 2016-08-22 2017-01-25 广东华中科技大学工业技术研究院 一种基于激光成像雷达的无人艇水面目标处理方法
CN109870705A (zh) * 2017-12-01 2019-06-11 武汉万集信息技术有限公司 基于激光雷达的边界目标标识方法及装置
CN108038453A (zh) * 2017-12-15 2018-05-15 罗派智能控制技术（上海）有限公司 一种基于rgbd的汽车驾驶员状态检测和识别系统
CN109375237A (zh) * 2018-12-12 2019-02-22 北京华科博创科技有限公司 一种全固态面阵三维成像激光雷达系统
WO2021023106A1 (zh) * 2019-08-02 2021-02-11 杭州海康威视数字技术股份有限公司 目标识别方法、装置及摄像机
WO2021046547A1 (en) * 2019-09-06 2021-03-11 Ouster, Inc. Processing of lidar images
WO2021062581A1 (zh) * 2019-09-30 2021-04-08 深圳市大疆创新科技有限公司 路面标识识别方法及装置
CN110956137A (zh) * 2019-12-02 2020-04-03 深圳市镭神智能系统有限公司 点云数据的目标检测方法、系统及介质
CN111191600A (zh) * 2019-12-30 2020-05-22 深圳元戎启行科技有限公司 障碍物检测方法、装置、计算机设备和存储介质
CN112419494A (zh) * 2020-10-09 2021-02-26 腾讯科技（深圳）有限公司 用于自动驾驶的障碍物检测、标记方法、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马鼎: "黄土沟壑区切沟植被的激光点云滤波及地形构建", 农业工程学报, vol. 29, pages 162 - 171 *

Also Published As

Publication number Publication date
CN113591777B (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
JP6565967B2 (ja) 路上障害物検出装置，方法，およびプログラム
CN109061600B (zh) 一种基于毫米波雷达数据的目标识别方法
Wang et al. Deep learning-based UAV detection in pulse-Doppler radar
CN105404886B (zh) 特征模型生成方法和特征模型生成装置
CN104885122B (zh) 车辆周围监测装置
Johnson et al. AutoGAD: An improved ICA-based hyperspectral anomaly detection algorithm
CN109871829B (zh) 一种基于深度学习的检测模型训练方法和装置
Yao et al. Detection of 3-D individual trees in urban areas by combining airborne LiDAR data and imagery
CN112949380B (zh) 一种基于激光雷达点云数据的智能水下目标识别系统
CN101794437A (zh) 一种高光谱遥感影像异常探测方法
CN103020592A (zh) 一种基于局部上下文的遥感图像舰船检测虚警剔除方法
CN109753945A (zh) 目标主体识别方法、装置、存储介质和电子设备
CN116386090B (zh) 一种基于扫描图谱的浮游生物识别方法、系统及介质
CN110348434A (zh) 相机来源鉴别方法、系统、存储介质和计算设备
JP2011165170A (ja) 対象物検出装置及びプログラム
CN107767366B (zh) 一种输电线路拟合方法及装置
CN107356916B (zh) 车距检测方法及装置、电子设备、计算机可读存储介质
CN113591777B (zh) 激光雷达信号处理方法、电子设备及存储介质
CN108388854A (zh) 一种基于改进fast-surf算法的定位方法
CN110276371B (zh) 一种基于深度学习的集装箱角件识别方法
CN112528781A (zh) 一种障碍物检测方法、装置、设备和计算机可读存储介质
CN111986155A (zh) 一种通用场景文字识别方法及装置
CN111723688A (zh) 人体动作识别结果的评价方法、装置和电子设备
CN110751163B (zh) 目标定位方法及其装置、计算机可读存储介质和电子设备
JP6893812B2 (ja) 物体検出装置

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