CN113920351A - 一种落叶目标点云的识别方法和装置 - Google Patents

一种落叶目标点云的识别方法和装置 Download PDF

Info

Publication number
CN113920351A
CN113920351A CN202111221203.XA CN202111221203A CN113920351A CN 113920351 A CN113920351 A CN 113920351A CN 202111221203 A CN202111221203 A CN 202111221203A CN 113920351 A CN113920351 A CN 113920351A
Authority
CN
China
Prior art keywords
point cloud
target
fallen leaf
suspected
cloud data
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.)
Pending
Application number
CN202111221203.XA
Other languages
English (en)
Inventor
陈东
张雨
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.)
Beijing Qingzhou Zhihang Technology Co ltd
Original Assignee
Beijing Qingzhou Zhihang 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 Beijing Qingzhou Zhihang Technology Co ltd filed Critical Beijing Qingzhou Zhihang Technology Co ltd
Priority to CN202111221203.XA priority Critical patent/CN113920351A/zh
Publication of CN113920351A publication Critical patent/CN113920351A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明实施例涉及一种落叶目标点云的识别方法和装置，所述方法包括：获取第一点云数据集合；提取集合中位于预设落叶目标识别区域的点云数据组成第二点云数据集合；对集合进行疑似落叶目标识别处理生成多个第一疑似落叶目标；对第一疑似落叶目标是否处于悬空状态进行确认，并记为第二疑似落叶目标；获取第三点云数据集合；对集合中第二疑似落叶目标的相同目标进行确认，生成第三疑似落叶目标；对第三疑似落叶目标到第二疑似落叶目标的运动轨迹是否满足落叶目标运动轨迹要求进行确认，并将确认的记为第一落叶目标；将第一点云数据集合中与各个第一落叶目标对应的点云数据标记为落叶目标点云数据。通过本发明可对环境点云中的落叶目标点云进行识别。

Description

一种落叶目标点云的识别方法和装置
技术领域
本发明涉及数据处理技术领域，特别涉及一种落叶目标点云的识别方法和装置。
背景技术
激光雷达是无人驾驶系统常用的测距传感器。当有飘落的树叶经过自动驾驶车辆前方的时候，激光雷达会在落叶上生成一定量的点云。若采用常规的障碍物目标识别方法对这些落叶点云进行识别，往往会生成错误的障碍物目标识别信息，从而可能导致无人驾驶系统对车辆发出错误的操作指令，例如紧急刹车等。
发明内容
本发明的目的，就是针对现有技术的缺陷，提供一种落叶目标点云的识别方法、装置、电子设备及计算机可读存储介质，在车辆前方设定一个落叶目标识别区域，并对落入该区域的目标点云集合按目标俯视图面积、长宽比和反射率总和等信息进行疑似落叶目标识别，并对识别出的疑似落叶目标按是否处于悬空状态进行进一步筛选，并对筛选后的疑似落叶目标按其前后时刻的运动轨迹进行落叶目标的最终确认。通过本发明，无人驾驶系统可以对环境点云中的落叶目标和落叶目标点云进行有效识别，可以解决因错误识别落叶点云导致的错误车辆操作问题，可以提高无人驾驶的安全性。
为实现上述目的，本发明实施例第一方面提供了一种落叶目标点云的识别方法，所述方法包括：
获取激光雷达在第一时刻t的扫描点云数据集合，生成第一点云数据集合；
从所述第一点云数据集合中，提取坐标位于预设落叶目标识别区域的点云数据，组成第二点云数据集合；
对所述第二点云数据集合进行疑似落叶目标识别处理，生成多个第一疑似落叶目标Dt；
对各个所述第一疑似落叶目标Dt是否处于悬空状态进行确认，并将确认处于悬空状态的所述第一疑似落叶目标Dt记为第二疑似落叶目标D’t；
获取所述激光雷达在所述第一时刻t的上一时刻t-1的扫描点云数据集合，生成第三点云数据集合；
对所述第三点云数据集合中与各个所述第二疑似落叶目标D’t特征匹配的相同目标进行确认，生成对应的第三疑似落叶目标D’t-1；
对各个所述第三疑似落叶目标D’t-1到对应的所述第二疑似落叶目标D’t的运动轨迹是否满足预设的落叶目标运动轨迹要求进行确认，并将确认满足要求的所述第二疑似落叶目标D’t记为第一落叶目标Et；
将所述第一点云数据集合中，与各个所述第一落叶目标Et对应的点云数据标记为落叶目标点云数据。
优选的，所述落叶目标识别区域位于车辆前方。
优选的，所述对所述第二点云数据集合进行疑似落叶目标识别处理，生成多个第一疑似落叶目标Dt，具体包括：
对所述第二点云数据集合的所有点云数据进行目标点云聚类处理，得到多个第一目标点云数据集合；
对各个所述第一目标点云数据集合进行目标类型识别处理，生成对应的第一目标类型；
将所述第一目标类型为未知目标类型的所述第一目标点云数据集合，记为第二目标点云数据集合；
对所述第二目标点云数据集合对应的目标俯视图面积进行估算，生成对应的第一估算面积；并对所述第二目标点云数据集合对应的目标侧视图长宽比进行估算，生成对应的第一长宽比；并对所述第二目标点云数据集合中所有点云数据的反射率进行总和计算，生成对应的第一反射率总和；
将所述第一估算面积低于预设的俯视图面积阈值、所述第一长宽比不满足预设的侧视图长宽比范围且所述第一反射率总和低于预设的反射率总和阈值的所述第二目标点云数据集合，标记为所述第一疑似落叶目标Dt。
优选的，所述对各个所述第一疑似落叶目标Dt是否处于悬空状态进行确认，并将确认处于悬空状态的所述第一疑似落叶目标Dt记为第二疑似落叶目标D’t，具体包括：
在点云坐标系中，将各个所述第一疑似落叶目标Dt中处于最低点的点云数据的点云坐标作为对应的第一位置点云坐标，并将所述第一位置点云坐标的地面投影点的点云坐标作为对应的第二位置点云坐标；
根据点云坐标系与激光雷达坐标系的坐标转换关系，对所述第一位置点云坐标和所述第二位置点云坐标进行激光雷达坐标转换处理，生成对应的第一位置雷达坐标和第二位置雷达坐标；
在激光雷达坐标系中，以所述第一位置雷达坐标和所述第二位置雷达坐标作为线段的两个端点，进行对应的线段创建处理生成对应的第一线段；若所述第一线段的长度不为0，则根据所述激光雷达的预设最大视场角、最大俯仰角和相邻锥面垂直方向夹角，进行对应的扫描锥面创建处理生成多个第一扫描锥面；
对长度不为0的所述第一线段与各个所述第一扫描锥面是否存在相交进行判断；若所述第一线段与一个或多个所述第一扫描锥面存在相交则将与所述第一线段对应的所述第一疑似落叶目标Dt记为所述第二疑似落叶目标D’t。
优选的，所述对各个所述第三疑似落叶目标D’t-1到对应的所述第二疑似落叶目标D’t的运动轨迹是否满足预设的落叶目标运动轨迹要求进行确认，并将确认满足要求的所述第二疑似落叶目标D’t记为第一落叶目标Et，具体包括：
按预设的目标核心定义规则，对所述第三疑似落叶目标D’t-1对应的目标核心点云坐标进行确定，生成对应的第一核心点云坐标；对所述第二疑似落叶目标D’t对应的目标核心点云坐标进行确定，生成对应的第二核心点云坐标；
根据点云坐标系与世界坐标系的坐标转换关系，对所述第一核心点云坐标和所述第二核心点云坐标进行世界坐标转换处理，生成对应的第一核心世界坐标和第二核心世界坐标；
当所述第二核心世界坐标的高度坐标值不高于所述第一核心点云坐标的高度坐标值时，设置第一确认状态为满足状态；
当所述第一确认状态为满足状态时，计算从所述第一核心世界坐标到所述第二核心世界坐标的直线距离，生成对应的第一距离数据；
当所述第一距离数据超过预设的落叶目标位移阈值时，设置第二确认状态为满足状态；
当所述第二确认状态为满足状态时，确认所述第三疑似落叶目标D’t-1到对应的所述第二疑似落叶目标D’t的运动轨迹满足所述落叶目标运动轨迹要求；并将所述第二疑似落叶目标D’t记为所述第一落叶目标Et。
本发明实施例第二方面提供了一种用于执行上述第一方面所述的落叶目标点云的识别方法的装置,所述装置包括：第一获取模块、第一疑似落叶目标处理模块、第二疑似落叶目标处理模块、第二获取模块和落叶目标确认处理模块；
所述第一获取模块用于获取激光雷达在第一时刻t的扫描点云数据集合，生成第一点云数据集合；
所述第一疑似落叶目标处理模块用于从所述第一点云数据集合中，提取坐标位于预设落叶目标识别区域的点云数据，组成第二点云数据集合；并对所述第二点云数据集合进行疑似落叶目标识别处理，生成多个第一疑似落叶目标Dt；
所述第二疑似落叶目标处理模块用于对各个所述第一疑似落叶目标Dt是否处于悬空状态进行确认，并将确认处于悬空状态的所述第一疑似落叶目标Dt记为第二疑似落叶目标D’t；
所述第二获取模块用于获取所述激光雷达在所述第一时刻t的上一时刻t-1的扫描点云数据集合，生成第三点云数据集合；
所述落叶目标确认处理模块用于对所述第三点云数据集合中与各个所述第二疑似落叶目标D’t特征匹配的相同目标进行确认，生成对应的第三疑似落叶目标D’t-1；并对各个所述第三疑似落叶目标D’t-1到对应的所述第二疑似落叶目标D’t的运动轨迹是否满足预设的落叶目标运动轨迹要求进行确认，并将确认满足要求的所述第二疑似落叶目标D’t记为第一落叶目标Et；并将所述第一点云数据集合中，与各个所述第一落叶目标Et对应的点云数据标记为落叶目标点云数据。
本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供了一种落叶目标点云的识别方法、装置、电子设备及计算机可读存储介质，在车辆前方设定一个落叶目标识别区域，并对落入该区域的目标点云集合按目标俯视图面积、长宽比和反射率总和等信息进行疑似落叶目标识别，并对识别出的疑似落叶目标按是否处于悬空状态进行进一步筛选，并对筛选后的疑似落叶目标按其前后时刻的运动轨迹进行落叶目标的最终确认。通过本发明，无人驾驶系统可以对环境点云中的落叶目标和落叶目标点云进行有效识别，解决了因错误识别落叶点云导致的错误车辆操作问题，提高了无人驾驶的安全性。
附图说明
图1为本发明实施例一提供的一种落叶目标点云的识别方法示意图；
图2a为本发明实施例一提供的最大视场角、横扫锥面示意图；
图2b为本发明实施例一提供的最大俯仰角示意图；
图2c为本发明实施例一提供的相邻锥面垂直方向夹角示意图；
图3为本发明实施例二提供的一种落叶目标点云的识别装置的模块结构图；
图4为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例一提供一种落叶目标点云的识别方法，如图1为本发明实施例一提供的一种落叶目标点云的识别方法示意图所示，本方法主要包括如下步骤：
步骤1，获取激光雷达在第一时刻t的扫描点云数据集合，生成第一点云数据集合。
其中，第一点云数据集合包括多个点云数据；点云数据包括点云坐标数据和点云反射率数据。
这里，第一点云数据集合也就是激光雷达在第一时刻t对车辆周围环境进行扫描后生成的环境点云集合；每个环境点云对应一个点云数据，由点云特征可知每个点云数据至少会包括一个基于点云坐标系的三维点云坐标和一个体现雷达扫描反射率的点云反射率，该三维点云坐标也就是点云坐标数据，该点云反射率也就是点云反射率数据。
步骤2，从第一点云数据集合中，提取坐标位于预设落叶目标识别区域的点云数据，组成第二点云数据集合；
其中，落叶目标识别区域位于车辆前方。
这里，落叶目标识别区域可为一个指定区域范围大小的固定区域，也可以为一个与自车行驶速度有关的区域范围大小可调的可变区域；若落叶目标识别区域为与自车行驶速度有关的区域范围大小可调的可变区域，因为自车行驶速度越快则对应的安全制动距离越长、反之则越短，所以为降低落叶目标错误识别对安全驾驶的威胁，提高无人驾驶的安全性，本发明实施例将车速按从慢到快的分段原则划分出多段车速范围，并为每个车速范围设定不同区域范围大小的落叶目标识别区域，车速范围对应的平均车速越低则对应的落叶目标识别区域的区域范围大小越小，反之则越大；第二点云数据集合则为落入该落叶目标识别区域内的环境点云的点云数据集合。
步骤3，对第二点云数据集合进行疑似落叶目标识别处理，生成多个第一疑似落叶目标Dt；
这里，因为落叶目标与普通障碍物目标相比具备以下几个特性：俯视图下目标面积往往小于一定阈值，长宽的比例在一定约束之内，目标整体的反射率一般偏低；所以本发明实施例通过预先设定的俯视图面积阈值、侧视图长宽比范围和反射率总和阈值对落叶目标识别区域中未能被识别为常规目标类型的目标点云集合进行疑似落叶目标识别；
具体包括：步骤31，对第二点云数据集合的所有点云数据进行目标点云聚类处理，得到多个第一目标点云数据集合；
这里，由点云特征可知，第二点云数据集合内的点云数据是一个个离散的点云，彼此之间并没有任何逻辑关联，所以要对第二点云数据集合进行目标识别之前需要对其中的所有点云数据进行聚类得到对应的聚类点云集合也就是第一目标点云数据集合，再经由后续步骤对各个第一目标点云数据集合进行目标类型识别；在对第二点云数据集合的所有点云数据进行目标点云聚类处理时，可采用的聚类算法有多种，包括KMeans聚类(也叫欧式聚类或欧式距离聚类)、凝聚层次聚类、DBSCAN(density based spatial cluster ofapplication with noise)聚类，对于上述聚类算法的具体实现可参考相关技术实现，此处不做进一步赘述；在得到多个第一目标点云数据集合之后，可于点云坐标系中为每个第一目标点云数据集合创建对应的第一目标框，该第一目标框常规情况下为一个长方体；若对应的第一目标点云数据集合在三个坐标维度上的坐标极值(最小值、最大值)分别为x坐标最小值、x坐标最大值、y坐标最小值、y坐标最大值、z坐标最小值、z坐标最大值，则该第一目标框8个顶点坐标分别为(x坐标最小值，y坐标最小值，z坐标最小值)，(x坐标最小值，y坐标最大值，z坐标最大值)，(x坐标最小值，y坐标最小值，z坐标最大值)，(x坐标最小值，y坐标最大值，z坐标最小值)，(x坐标最大值，y坐标最小值，z坐标最小值)，(x坐标最大值，y坐标最大值，z坐标最大值)，(x坐标最大值，y坐标最小值，z坐标最大值)，(x坐标最大值，y坐标最大值，z坐标最小值)；
步骤32，对各个第一目标点云数据集合进行目标类型识别处理，生成对应的第一目标类型；
这里，在对各个第一目标点云数据集合进行目标类型识别处理时，采用训练成熟的点云目标识别模型对各个第一目标点云数据集合进行特征计算，并基于计算结果进行常规目标类型识别，这里所说的常规目标指的是建筑目标类型、行人目标类型、机动车目标类型、摩托车目标类型、自行车目标类型、动植物目标类型以及一些已经预先完成训练的静止障碍物目标类型，例如交通灯目标类型、行驶隔离带目标类型、书报亭目标类型等等；倘若当前第一目标点云数据集合并未被识别为上述常规目标中的任一类型，则将其对应的第一目标类型设为未知目标类型；
步骤33，将第一目标类型为未知目标类型的第一目标点云数据集合，记为第二目标点云数据集合；
这里，只有第一目标类型为未知目标类型的第一目标点云数据集合也就是第二目标点云数据集合，才可被后续步骤使用进行落叶目标识别；
步骤34，对第二目标点云数据集合对应的目标俯视图面积进行估算，生成对应的第一估算面积；并对第二目标点云数据集合对应的目标侧视图长宽比进行估算，生成对应的第一长宽比；并对第二目标点云数据集合中所有点云数据的反射率进行总和计算，生成对应的第一反射率总和；
这里，第一估算面积实际就是第二目标点云数据集合对应的第一目标框的俯视面面积也就是x-y面面积；x-y面面积＝(y坐标最大值-y坐标最小值)*(x坐标最大值-x坐标最小值)；
第一长宽比实际就是第二目标点云数据集合对应的第一目标框的侧面长宽比，具体为z-x侧面长宽比或z-y侧面长宽比；z-x侧面长宽比＝(z坐标最大值-z坐标最小值)/(x坐标最大值-x坐标最小值)，z-y侧面长宽比＝(z坐标最大值-z坐标最小值)/(y坐标最大值-y坐标最小值)；
第一反射率总和实际就是第二目标点云数据集合中所有点云数据的点云反射率数据的总和；
步骤35，将第一估算面积低于预设的俯视图面积阈值、第一长宽比不满足预设的侧视图长宽比范围且第一反射率总和低于预设的反射率总和阈值的第二目标点云数据集合，标记为第一疑似落叶目标Dt。
这里，俯视图面积阈值是一个较小的面积阈值；反射率总和阈值也是一个较小的反射率阈值；侧视图长宽比范围包括多类落叶长宽比范围，每类落叶长宽比范围用以标识对应类型树叶的形状特征；本发明实施例将满足上述限制的第二目标点云数据集合视为疑似落叶目标的点云集合，将之标记为第一疑似落叶目标Dt。
步骤4，对各个第一疑似落叶目标Dt是否处于悬空状态进行确认，并将确认处于悬空状态的第一疑似落叶目标Dt记为第二疑似落叶目标D’t；
这里，对每个识别出的第一疑似落叶目标Dt按其是否处于悬空状态进行进一步筛选；
具体包括：步骤41，在点云坐标系中，将各个第一疑似落叶目标Dt中处于最低点的点云数据的点云坐标作为对应的第一位置点云坐标，并将第一位置点云坐标的地面投影点的点云坐标作为对应的第二位置点云坐标；
例如，若第一位置点云坐标为(x1,y1,z1)z1≠0,则第二位置点云坐标应为(x1,y1,0)；
步骤42，根据点云坐标系与激光雷达坐标系的坐标转换关系，对第一位置点云坐标和第二位置点云坐标进行激光雷达坐标转换处理，生成对应的第一位置雷达坐标和第二位置雷达坐标；
这里，点云坐标系与激光雷达坐标系的坐标转换关系可参考相关技术实现，在此不做进一步赘述；
步骤43，在激光雷达坐标系中，以第一位置雷达坐标和第二位置雷达坐标作为线段的两个端点，进行对应的线段创建处理生成对应的第一线段；若第一线段的长度不为0，则根据激光雷达的预设最大视场角、最大俯仰角和相邻锥面垂直方向夹角，进行对应的扫描锥面创建处理生成多个第一扫描锥面；
这里，长度不为0的第一线段为第一疑似落叶目标Dt底部到地面的疑似悬空线段，但考虑到激光雷达俯仰角关系造成的底部扫描盲区，所以该长度不为0的疑似悬空线段不能作为第一疑似落叶目标Dt是否悬空的最后判断依据，还要进一步判断该疑似悬空线段是否与激光雷达的扫描区域相交过；因此进一步要对激光雷达的扫描区域进行构建，也就是根据激光雷达的预设最大视场角、最大俯仰角和相邻锥面垂直方向夹角，进行对应的扫描锥面创建处理生成多个第一扫描锥面；
由激光雷达的扫描原理可知，激光雷达的最大视场角指的是在一个固定仰角下进行横向扫描的最大扫描角度，且每次横扫结束可以得到一个横扫锥面，如图2a为本发明实施例一提供的最大视场角、横扫锥面示意图所示，对于360°的多线雷达而言最大视场角可达到360°，这个时候的横扫锥面实际就成了一个圆；激光雷达的最大俯仰角指的是在一个扫描周期内激光雷达仰角的变动范围，也就是当前扫描周期内起始横扫锥面与结束横扫锥面在垂直方向上的夹角，如图2b为本发明实施例一提供的最大俯仰角示意图所示；激光雷达的相邻锥面垂直方向夹角指的是在一个扫描周期内每两次横向扫描间的仰角变化角度，也就是当前扫描周期内前一横扫锥面1与后一横扫锥面2在垂直方向上的夹角，如图2c为本发明实施例一提供的相邻锥面垂直方向夹角示意图所示；在已知激光雷达的最大视场角、最大俯仰角和相邻锥面垂直方向夹角之后，就可在激光雷达坐标系完成多个横扫锥面也就是第一扫描锥面的数据建模，该建模实际就是对激光雷达的扫描区域进行建模；
步骤44，对长度不为0的第一线段与各个第一扫描锥面是否存在相交进行判断；若第一线段与一个或多个第一扫描锥面存在相交，则将与第一线段对应的第一疑似落叶目标Dt记为第二疑似落叶目标D’t。
这里，在同一个坐标系中(激光雷达坐标系)，要验证某条已知线段是否与某个已知锥面是否有相交，可有多种方法进行验证，在此不做一一枚举；当确认疑似悬空线段也就是长度不为0的第一线段与一个或多个第一扫描锥面存在相交时，说明该疑似悬空线段并非由激光雷达底部扫描盲区造成的，对应的第一疑似落叶目标Dt也的确处于激光雷达的扫描范围之内，且其最低点距离地面也的确尚有一段距离，也就是最终确认该第一疑似落叶目标Dt确实处于悬空状态；在确认第一疑似落叶目标Dt确实处于悬空状态之后，将其标记为第二疑似落叶目标D’t。
步骤5，获取激光雷达在第一时刻t的上一时刻t-1的扫描点云数据集合，生成第三点云数据集合。
这里，第三点云数据集合也就是激光雷达在上一时刻t-1对车辆周围环境进行扫描后生成的环境点云集合。
步骤6，对第三点云数据集合中与各个第二疑似落叶目标D’t特征匹配的相同目标进行确认，生成对应的第三疑似落叶目标D’t-1。
这里，在对第三点云数据集合中与各个第二疑似落叶目标D’t特征匹配的相同目标进行确认时，可参考步骤3，对第三点云数据集合进行疑似落叶目标识别处理生成多个第三点云疑似落叶目标；再根据各自的目标俯视图面积、目标侧视图长宽比和目标反射率总和等特征信息，对第三点云疑似落叶目标与第二疑似落叶目标D’t进行特征比较，将特征近似的第三点云疑似落叶目标作为第二疑似落叶目标D’t的相同目标也就是第三疑似落叶目标D’t-1。
步骤7，对各个第三疑似落叶目标D’t-1到对应的第二疑似落叶目标D’t的运动轨迹是否满足预设的落叶目标运动轨迹要求进行确认，并将确认满足要求的第二疑似落叶目标D’t记为第一落叶目标Et；
这里，预设的落叶目标运动轨迹要求包括两点：落叶目标在后一时刻的高度应不高于前一时刻的高度；落叶目标在前后时刻应发生位置变化；
具体包括：步骤71，按预设的目标核心定义规则，对第三疑似落叶目标D’t-1对应的目标核心点云坐标进行确定，生成对应的第一核心点云坐标；对第二疑似落叶目标D’t对应的目标核心点云坐标进行确定，生成对应的第二核心点云坐标；
这里，目标核心定义规则为将各个目标对应的目标框中心点作为当前目标的核心；第三疑似落叶目标D’t-1对应的目标核心点也就是第三疑似落叶目标D’t-1对应的第一目标框的中心点；第二疑似落叶目标D’t对应的目标核心点也就是第二疑似落叶目标D’t对应的第一目标框的中心点；
步骤72，根据点云坐标系与世界坐标系的坐标转换关系，对第一核心点云坐标和第二核心点云坐标进行世界坐标转换处理，生成对应的第一核心世界坐标和第二核心世界坐标；
步骤73，当第二核心世界坐标的高度坐标值不高于第一核心点云坐标的高度坐标值时，设置第一确认状态为满足状态；
步骤74，当第一确认状态为满足状态时，计算从第一核心世界坐标到第二核心世界坐标的直线距离，生成对应的第一距离数据；
步骤75，当第一距离数据超过预设的落叶目标位移阈值时，设置第二确认状态为满足状态；
步骤75，当第二确认状态为满足状态时，确认第三疑似落叶目标D’t-1到对应的第二疑似落叶目标D’t的运动轨迹满足落叶目标运动轨迹要求；并将第二疑似落叶目标D’t记为第一落叶目标Et。
步骤8，将第一点云数据集合中，与各个第一落叶目标Et对应的点云数据标记为落叶目标点云数据。
综上，通过上述步骤1-8，无人驾驶系统就可从环境点云数据集合中明确识别出落叶目标及其相关的点云数据，并在后续的目标识别中对落叶目标或落叶目标点云数据进行过滤，如此一来，自然就可以避免因错误识别落叶点云导致的错误车辆操作问题，提高了无人驾驶的安全性。
图3为本发明实施例二提供的一种落叶目标点云的识别装置的模块结构图，该装置为实现前述方法实施例的终端设备或者服务器，也可以为能够使得前述终端设备或者服务器实现前述方法实施例的装置，例如该装置可以是前述终端设备或者服务器的装置或芯片系统。如图3所示，该装置包括：第一获取模块101、第一疑似落叶目标处理模块102、第二疑似落叶目标处理模块103、第二获取模块104和落叶目标确认处理模块105。
第一获取模块101用于获取激光雷达在第一时刻t的扫描点云数据集合，生成第一点云数据集合。
第一疑似落叶目标处理模块102用于从第一点云数据集合中，提取坐标位于预设落叶目标识别区域的点云数据，组成第二点云数据集合；并对第二点云数据集合进行疑似落叶目标识别处理，生成多个第一疑似落叶目标Dt。
第二疑似落叶目标处理模块103用于对各个第一疑似落叶目标Dt是否处于悬空状态进行确认，并将确认处于悬空状态的第一疑似落叶目标Dt记为第二疑似落叶目标D’t。
第二获取模块104用于获取激光雷达在第一时刻t的上一时刻t-1的扫描点云数据集合，生成第三点云数据集合。
落叶目标确认处理模块105用于对第三点云数据集合中与各个第二疑似落叶目标D’t特征匹配的相同目标进行确认，生成对应的第三疑似落叶目标D’t-1；并对各个第三疑似落叶目标D’t-1到对应的第二疑似落叶目标D’t的运动轨迹是否满足预设的落叶目标运动轨迹要求进行确认，并将确认满足要求的第二疑似落叶目标D’t记为第一落叶目标Et；并将第一点云数据集合中，与各个第一落叶目标Et对应的点云数据标记为落叶目标点云数据。
本发明实施例提供的一种落叶目标点云的识别装置，可以执行上述方法实施例中的方法步骤，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，第一获取模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块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，ASIC)，或，一个或多个数字信号处理器(Digital Signal Processor，DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)等。再如，当以上某个模块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(CentralProcessing Unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-on-a-chip，SOC)的形式实现。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照前述方法实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路((Digital Subscriber Line，DSL))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
图4为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器，也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图4所示，该电子设备可以包括：处理器301(例如CPU)、存储器302、收发器303；收发器303耦合至处理器301，处理器301控制收发器303的收发动作。存储器302中可以存储各种指令，以用于完成各种处理功能以及实现前述方法实施例描述的处理步骤。优选的，本发明实施例涉及的电子设备还包括：电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
在图4中提到的系统总线305可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器CPU、网络处理器(NetworkProcessor，NP)、图形处理器(Graphics Processing Unit，GPU)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列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。
需要说明的是，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片，该芯片用于执行前述方法实施例描述的处理步骤。
本发明实施例提供了一种落叶目标点云的识别方法、装置、电子设备及计算机可读存储介质，在车辆前方设定一个落叶目标识别区域，并对落入该区域的目标点云集合按目标俯视图面积、长宽比和反射率总和等信息进行疑似落叶目标识别，并对识别出的疑似落叶目标按是否处于悬空状态进行进一步筛选，并对筛选后的疑似落叶目标按其前后时刻的运动轨迹进行落叶目标的最终确认。通过本发明，无人驾驶系统可以对环境点云中的落叶目标和落叶目标点云进行有效识别，解决了因错误识别落叶点云导致的错误车辆操作问题，提高了无人驾驶的安全性。
专业人员应该还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种落叶目标点云的识别方法，其特征在于，所述方法包括：
获取激光雷达在第一时刻t的扫描点云数据集合，生成第一点云数据集合；
从所述第一点云数据集合中，提取坐标位于预设落叶目标识别区域的点云数据，组成第二点云数据集合；
对所述第二点云数据集合进行疑似落叶目标识别处理，生成多个第一疑似落叶目标Dt；
对各个所述第一疑似落叶目标Dt是否处于悬空状态进行确认，并将确认处于悬空状态的所述第一疑似落叶目标Dt记为第二疑似落叶目标D’t；
获取所述激光雷达在所述第一时刻t的上一时刻t-1的扫描点云数据集合，生成第三点云数据集合；
对所述第三点云数据集合中与各个所述第二疑似落叶目标D’t特征匹配的相同目标进行确认，生成对应的第三疑似落叶目标D’t-1；
对各个所述第三疑似落叶目标D’t-1到对应的所述第二疑似落叶目标D’t的运动轨迹是否满足预设的落叶目标运动轨迹要求进行确认，并将确认满足要求的所述第二疑似落叶目标D’t记为第一落叶目标Et；
将所述第一点云数据集合中，与各个所述第一落叶目标Et对应的点云数据标记为落叶目标点云数据。
2.根据权要求1所述的落叶目标点云的识别方法，其特征在于，所述落叶目标识别区域位于车辆前方。
3.根据权要求1所述的落叶目标点云的识别方法，其特征在于，所述对所述第二点云数据集合进行疑似落叶目标识别处理，生成多个第一疑似落叶目标Dt，具体包括：
对所述第二点云数据集合的所有点云数据进行目标点云聚类处理，得到多个第一目标点云数据集合；
对各个所述第一目标点云数据集合进行目标类型识别处理，生成对应的第一目标类型；
将所述第一目标类型为未知目标类型的所述第一目标点云数据集合，记为第二目标点云数据集合；
对所述第二目标点云数据集合对应的目标俯视图面积进行估算，生成对应的第一估算面积；并对所述第二目标点云数据集合对应的目标侧视图长宽比进行估算，生成对应的第一长宽比；并对所述第二目标点云数据集合中所有点云数据的反射率进行总和计算，生成对应的第一反射率总和；
将所述第一估算面积低于预设的俯视图面积阈值、所述第一长宽比不满足预设的侧视图长宽比范围且所述第一反射率总和低于预设的反射率总和阈值的所述第二目标点云数据集合，标记为所述第一疑似落叶目标Dt。
4.根据权要求1所述的落叶目标点云的识别方法，其特征在于，所述对各个所述第一疑似落叶目标Dt是否处于悬空状态进行确认，并将确认处于悬空状态的所述第一疑似落叶目标Dt记为第二疑似落叶目标D’t，具体包括：
在点云坐标系中，将各个所述第一疑似落叶目标Dt中处于最低点的点云数据的点云坐标作为对应的第一位置点云坐标，并将所述第一位置点云坐标的地面投影点的点云坐标作为对应的第二位置点云坐标；
根据点云坐标系与激光雷达坐标系的坐标转换关系，对所述第一位置点云坐标和所述第二位置点云坐标进行激光雷达坐标转换处理，生成对应的第一位置雷达坐标和第二位置雷达坐标；
在激光雷达坐标系中，以所述第一位置雷达坐标和所述第二位置雷达坐标作为线段的两个端点，进行对应的线段创建处理生成对应的第一线段；若所述第一线段的长度不为0，则根据所述激光雷达的预设最大视场角、最大俯仰角和相邻锥面垂直方向夹角，进行对应的扫描锥面创建处理生成多个第一扫描锥面；
对长度不为0的所述第一线段与各个所述第一扫描锥面是否存在相交进行判断；若所述第一线段与一个或多个所述第一扫描锥面存在相交则将与所述第一线段对应的所述第一疑似落叶目标Dt记为所述第二疑似落叶目标D’t。
5.根据权要求1所述的落叶目标点云的识别方法，其特征在于，所述对各个所述第三疑似落叶目标D’t-1到对应的所述第二疑似落叶目标D’t的运动轨迹是否满足预设的落叶目标运动轨迹要求进行确认，并将确认满足要求的所述第二疑似落叶目标D’t记为第一落叶目标Et，具体包括：
按预设的目标核心定义规则，对所述第三疑似落叶目标D’t-1对应的目标核心点云坐标进行确定，生成对应的第一核心点云坐标；对所述第二疑似落叶目标D’t对应的目标核心点云坐标进行确定，生成对应的第二核心点云坐标；
根据点云坐标系与世界坐标系的坐标转换关系，对所述第一核心点云坐标和所述第二核心点云坐标进行世界坐标转换处理，生成对应的第一核心世界坐标和第二核心世界坐标；
当所述第二核心世界坐标的高度坐标值不高于所述第一核心点云坐标的高度坐标值时，设置第一确认状态为满足状态；
当所述第一确认状态为满足状态时，计算从所述第一核心世界坐标到所述第二核心世界坐标的直线距离，生成对应的第一距离数据；
当所述第一距离数据超过预设的落叶目标位移阈值时，设置第二确认状态为满足状态；
当所述第二确认状态为满足状态时，确认所述第三疑似落叶目标D’t-1到对应的所述第二疑似落叶目标D’t的运动轨迹满足所述落叶目标运动轨迹要求；并将所述第二疑似落叶目标D’t记为所述第一落叶目标Et。
6.一种用于执行权利要求1-5任一项所述的落叶目标点云的识别方法的装置，其特征在于，所述装置包括：第一获取模块、第一疑似落叶目标处理模块、第二疑似落叶目标处理模块、第二获取模块和落叶目标确认处理模块；
所述第一获取模块用于获取激光雷达在第一时刻t的扫描点云数据集合，生成第一点云数据集合；
所述第一疑似落叶目标处理模块用于从所述第一点云数据集合中，提取坐标位于预设落叶目标识别区域的点云数据，组成第二点云数据集合；并对所述第二点云数据集合进行疑似落叶目标识别处理，生成多个第一疑似落叶目标Dt；
所述第二疑似落叶目标处理模块用于对各个所述第一疑似落叶目标Dt是否处于悬空状态进行确认，并将确认处于悬空状态的所述第一疑似落叶目标Dt记为第二疑似落叶目标D’t；
所述第二获取模块用于获取所述激光雷达在所述第一时刻t的上一时刻t-1的扫描点云数据集合，生成第三点云数据集合；
所述落叶目标确认处理模块用于对所述第三点云数据集合中与各个所述第二疑似落叶目标D’t特征匹配的相同目标进行确认，生成对应的第三疑似落叶目标D’t-1；并对各个所述第三疑似落叶目标D’t-1到对应的所述第二疑似落叶目标D’t的运动轨迹是否满足预设的落叶目标运动轨迹要求进行确认，并将确认满足要求的所述第二疑似落叶目标D’t记为第一落叶目标Et；并将所述第一点云数据集合中，与各个所述第一落叶目标Et对应的点云数据标记为落叶目标点云数据。
7.一种电子设备，其特征在于，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现权利要求1-5任一项所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行权利要求1-5任一项所述的方法的指令。
CN202111221203.XA 2021-10-20 2021-10-20 一种落叶目标点云的识别方法和装置 Pending CN113920351A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111221203.XA CN113920351A (zh) 2021-10-20 2021-10-20 一种落叶目标点云的识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111221203.XA CN113920351A (zh) 2021-10-20 2021-10-20 一种落叶目标点云的识别方法和装置

Publications (1)

Publication Number Publication Date
CN113920351A true CN113920351A (zh) 2022-01-11

Family

ID=79241656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111221203.XA Pending CN113920351A (zh) 2021-10-20 2021-10-20 一种落叶目标点云的识别方法和装置

Country Status (1)

Country Link
CN (1) CN113920351A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082731A (zh) * 2022-06-15 2022-09-20 苏州轻棹科技有限公司 一种基于投票机制的目标分类方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082731A (zh) * 2022-06-15 2022-09-20 苏州轻棹科技有限公司 一种基于投票机制的目标分类方法和装置
CN115082731B (zh) * 2022-06-15 2024-03-29 苏州轻棹科技有限公司 一种基于投票机制的目标分类方法和装置

Similar Documents

Publication Publication Date Title
CN106951847B (zh) 障碍物检测方法、装置、设备及存储介质
CN109087510B (zh) 交通监测方法及装置
CN112513679B (zh) 一种目标识别的方法和装置
US11442162B2 (en) Millimeter wave radar modeling-based method for object visibility determination
CN115436910B (zh) 一种对激光雷达点云进行目标检测的数据处理方法和装置
CN111308500A (zh) 基于单线激光雷达的障碍物感知方法、装置和计算机终端
CN113420637A (zh) 自动驾驶中多尺度鸟瞰视角下的激光雷达检测方法
US20220171975A1 (en) Method for Determining a Semantic Free Space
CN113920351A (zh) 一种落叶目标点云的识别方法和装置
CN114966651A (zh) 可行驶区域检测方法、计算机设备、存储介质及车辆
CN114764885A (zh) 障碍物的检测方法、装置、计算机可读存储介质和处理器
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
CN116310317A (zh) 面向点云目标包围框拟合的异形大目标点云切割方法
CN115457506A (zh) 一种目标检测方法、装置及存储介质
CN115049872A (zh) 一种融合图像点云特征的分类方法和装置
CN116863325A (zh) 一种用于多个目标检测的方法和相关产品
JP6746032B2 (ja) 霧特定装置、霧特定方法及び霧特定プログラム
CN113223049A (zh) 轨迹数据处理方法及装置
CN112906519A (zh) 一种车辆类型识别方法及装置
CN117392000B (zh) 一种噪点去除方法、装置、电子设备及存储介质
CN117496165B (zh) 雨雪噪点过滤方法、装置、电子设备及存储介质
JP7315723B2 (ja) 車両姿勢認識方法及び関連装置
WO2023065313A1 (zh) 遮挡关系判断方法、装置、存储介质及电子设备
CN116071678A (zh) 目标物体的状态识别方法、电子设备和存储介质
CN114137524A (zh) 基于毫米波雷达的驾驶障碍物状态估计方法和系统

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