CN113985353A - 剔除点云中干扰点的方法、装置、和电子设备 - Google Patents
剔除点云中干扰点的方法、装置、和电子设备 Download PDFInfo
- Publication number
- CN113985353A CN113985353A CN202111211981.0A CN202111211981A CN113985353A CN 113985353 A CN113985353 A CN 113985353A CN 202111211981 A CN202111211981 A CN 202111211981A CN 113985353 A CN113985353 A CN 113985353A
- Authority
- CN
- China
- Prior art keywords
- point
- interference
- points
- preset
- 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.)
- Pending
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
- 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
- G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/865—Combination of radar systems with lidar systems
-
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种剔除点云中干扰点的方法、装置和电子设备。该方法包括:获取目标雷达帧的点云数据;查找点云数据中的预设类型的干扰点;其中,预设类型包括离心点类型、伪最高点类型以及干扰点群类型的至少一种;将查找到的所有预设类型的干扰点从点云数据中剔除。本发明提供的剔除点云中干扰点的方法通过查找并剔除属于离心点类型的干扰点,可以去除边缘处的干扰点;通过查找并剔除伪最高点类型的干扰点,可以去除孤立的可疑最高点;通过查找并剔除干扰点群类型的干扰点,可以去除由多径干扰引起的干扰点群。从而通过上述三种查找并剔除干扰点的方法即可以提高对目标物体识别的精确性。
Description
技术领域
本发明涉及点云数据处理技术领域,尤其涉及一种剔除点云中干扰点的方法、装置和电子设备。
背景技术
毫米波雷达是一种工作在毫米波波段探测的雷达,以其成本较低、全天候工作及不触及隐私等优点,被广泛应用于室内成员安全监测或者智能家居等领域。例如,可以对在毫米波雷达信号处理阶段得到的无序点云进行群跟踪处理,然后通过数据关联标志可提取到目标的有效时序信息,从而进一步得到核心关键数据,用于相关的可扩展功能,如尺寸评估、行为预测或姿态识别等。
由于毫米波在传输过程中,不可避免的会受到多重散射或者其它干扰的影响,导致出现干扰点,而干扰点会影响诸如尺寸评估、行为预测或姿态识别等处理,造成处理结果不够准确。故而,如何剔除点云中的干扰点成为目前亟需解决的技术问题。
发明内容
本发明实施例提供了一种剔除点云中干扰点的方法、装置和电子设备,以解决点云中存在干扰点,无法准确识别目标物体的问题。
第一方面,本发明实施例提供了一种剔除点云中干扰点的方法,包括:
获取目标雷达帧的点云数据;
查找点云数据中的预设类型的干扰点;其中,预设类型包括离心点类型、伪最高点类型以及干扰点群类型的至少一种;
将查找到的所有预设类型的干扰点从点云数据中剔除。
在一种可能的实现方式中,
查找点云数据中的预设类型的干扰点,将查找到的所有预设类型的干扰点从点云数据中剔除,包括:
查找点云数据中的离心点类型的干扰点,将查找到的离心点类型的干扰点从点云数据中剔除;
在剔除掉离心点类型的干扰点的点云数据中,查找伪最高点类型的干扰点,将查找到的伪最高点类型的干扰点剔除;
在剔除掉离心点类型和伪最高点类型的干扰点的点云数据中,查找干扰点群类型的干扰点,将查找到的干扰点群类型的干扰点剔除。
在一种可能的实现方式中,
查找点云数据中的预设类型的干扰点,包括:
确定点云数据的质心;
分别计算点云数据中的每个点与质心的离心距离;
将点云数据中所有与质心的离心距离超过预设距离的点,确定为离心点类型的干扰点。
在一种可能的实现方式中,
与质心的离心距离为:
在三维空间中与质心的欧式距离;
或者,在三维空间中与质心的曼哈顿距离;
或者,任意一个维度上与质心的曼哈顿距离。
在一种可能的实现方式中,查找点云数据中的预设类型的干扰点,包括:
获取点云数据中的每个点在Z维度上的坐标值并进行排序;
判断最高点是否为伪最高点:若最高点的坐标值与次高点的坐标值的差值大于预设差值,则确定最高点为伪最高点,否则确定最高点为可靠最高点;当最高点为伪最高点时,将次高点设为新的最高点,重复执行判断最高点是否为伪最高点的步骤,直至查找到可靠最高点。
在一种可能的实现方式中,查找点云数据中的预设类型的干扰点,包括:
在预设维度为异常维度的情况下,按照预设间隔将由点云数据在预设维度上的最大值和最小值构成的区间划分为多个子区间;其中,预设维度为X维度或Y维度;
若所有子区间内的点的数量均大于预设点数阈值时,则确定所有子区间内的点为不存在干扰点群类型的干扰点,否则将点的数量小于预设点数阈值的子区间确定为断裂子区间;除断裂子区间外,断裂子区间将多个子区间分成多个连续区间;
根据非干扰子区间判断条件,在多个连续区间中确定非干扰子区间;
将与多个子区间中除非干扰子区间之外的所有子区间相对应的点,确定为干扰点群类型的干扰点。
在一种可能的实现方式中,在预设维度为异常维度的情况下,按照预设间隔将由点云数据在预设维度上的最大值和最小值构成的区间划分为多个子区间之前,方法还包括:
获取点云数据在预设维度下的尺寸和在Z维度上的最高点的坐标Z值;如果预设维度下的尺寸大于Z值对应的预设尺寸阈值,则确定预设维度为异常维度;
或者,获取点云数据在预设维度下所有坐标的标准差;如果标准差大于预设标准差阈值,则确定预设维度为异常维度。
在一种可能的实现方式中,非干扰子区间判断条件包括:
包含的点的数量最多的连续区间为非干扰子区间;
或者,包含的点的平均距离最小的连续区间为非干扰子区间;
或者,包含的点的信噪比之和最大的连续区间为非干扰子区间。
第二方面,本发明实施例提供了一种剔除点云中干扰点的装置,包括:
获取模块,用于获取目标雷达帧的点云数据;
查找模块,用于查找点云数据中的预设类型的干扰点;其中,预设类型包括离心点类型、伪最高点类型以及干扰点群类型的至少一种;
剔除模块,用于将查找到的所有预设类型的干扰点从点云数据中剔除。
在一种可能的实现方式中,查找模块和剔除模块,还用于:
查找点云数据中的离心点类型的干扰点,将查找到的离心点类型的干扰点从点云数据中剔除;
在剔除掉离心点类型的干扰点的点云数据中,查找伪最高点类型的干扰点,将查找到的伪最高点类型的干扰点剔除;
在剔除掉离心点类型和伪最高点类型的干扰点的点云数据中,查找干扰点群类型的干扰点,将查找到的干扰点群类型的干扰点剔除。
在一种可能的实现方式中,查找模块,还用于:
确定点云数据的质心;
分别计算点云数据中的每个点与质心的离心距离;
将点云数据中所有与质心的离心距离超过预设距离的点,确定为离心点类型的干扰点。
在一种可能的实现方式中,与质心的离心距离为:
在三维空间中与质心的欧式距离;
或者,在三维空间中与质心的曼哈顿距离;
或者,任意一个维度上与质心的曼哈顿距离。
在一种可能的实现方式中,查找模块,还用于:
获取点云数据中的每个点在Z维度上的坐标值并进行排序;
判断最高点是否为伪最高点:若最高点的坐标值与次高点的坐标值的差值大于预设差值,则确定最高点为伪最高点,否则确定最高点为可靠最高点;当最高点为伪最高点时,将次高点设为新的最高点,重复执行判断最高点是否为伪最高点的步骤,直至查找到可靠最高点。
在一种可能的实现方式中,查找模块,还用于:
在预设维度为异常维度的情况下,按照预设间隔将由点云数据在预设维度上的最大值和最小值构成的区间划分为多个子区间;其中,预设维度为X维度或Y维度;
若所有子区间内的点的数量均大于预设点数阈值时,则确定所有子区间内的点为不存在干扰点群类型的干扰点,否则将点的数量小于预设点数阈值的子区间确定为断裂子区间;除断裂子区间外,断裂子区间将多个子区间分成多个连续区间;
根据非干扰子区间判断条件,在多个连续区间中确定非干扰子区间;
将与多个子区间中除非干扰子区间之外的所有子区间相对应的点,确定为干扰点群类型的干扰点。
在一种可能的实现方式中,查找模块,还用于:
获取点云数据在预设维度下的尺寸和在Z维度上的最高点的坐标Z值;如果预设维度下的尺寸大于Z值对应的预设尺寸阈值,则确定预设维度为异常维度;
或者,获取点云数据在预设维度下所有坐标的标准差;如果标准差大于预设标准差阈值,则确定预设维度为异常维度。
在一种可能的实现方式中,非干扰子区间判断条件包括:
包含的点的数量最多的连续区间为非干扰子区间;
或者,包含的点的平均距离最小的连续区间为非干扰子区间;
或者,包含的点的信噪比之和最大的连续区间为非干扰子区间。
第三方面,本发明实施例提供了一种电子设备,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第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例提供一种干扰点云的剔除方法、装置和电子设备,首先获取目标雷达帧的点云数据;之后,查找点云数据中的预设类型的干扰点,最后将查找到的所有预设类型的干扰点从点云数据中剔除。
由于点云数据中存在很多类型的干扰点,如多径干扰引起的干扰点群、边缘处的干扰点或孤立的可疑最高点等,本发明中的三种预设类型的干扰点能够更加全面地涵盖点云中的所有干扰点的特征。通过查找并剔除属于离心点类型的干扰点,可以去除边缘处的干扰点;通过查找并剔除伪最高点类型的干扰点,可以去除孤立的可疑最高点;通过查找并剔除干扰点群类型的干扰点,可以去除由多径干扰引起的干扰点群。从而通过上述三种查找并剔除干扰点的方法即可以提高对目标物体识别的精确性。
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剔除点云中干扰点的方法的实现流程图;
图2是本发明实施例提供的伪最高点类型的干扰点的分布示意图;
图3是本发明实施例提供的干扰点群分布示意图;
图4是本发明实施例提供的剔除点云中干扰点的装置的结构示意图;
图5是本发明实施例提供的电子设备的示意图。
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,下面将结合附图通过具体实施例来进行说明。
如背景技术所描述的,当干扰点、尤其是边缘处存在干扰点时,会对目标后续的尺寸评估、行为预测或姿态识别等模块带来很大的影响,因此亟需一种剔除率高的剔除点云中干扰点的方法,从而提高对目标物体识别的精确性。
为了解决现有技术问题,本发明实施例提供了一种剔除点云中干扰点的方法、装置和电子设备。下面首先对本发明实施例所提供的剔除点云中干扰点的方法进行介绍。
剔除点云中干扰点的方法的执行主体,可以是剔除点云中干扰点的装置,该剔除点云中干扰点的装置可以是具有处理器和存储器的电子设备,例如毫米波雷达,本发明实施例不作具体限定。
参见图1,其示出了本发明实施例提供的剔除点云中干扰点的方法的实现流程图,详述如下:
步骤S110、获取目标雷达帧的点云数据。
点云数据是一种由激光雷达、毫米波雷达、立体摄像头、越渡时间相机等扫描设备采集到的扫描结果。这些扫描设备采用自动化的方式测量物体表面上的大量的点的信息,然后输出点云数据。点云数据中包含每个点所在的三维位置信息,即在三维空间中的x,y,z坐标。
在进行信号处理时,通常以雷达帧为处理单位,雷达帧将聚类后的点云数据发送到剔除点云中干扰点的装置,进行后续干扰点的处理。
步骤S120、查找点云数据中的预设类型的干扰点。
在一些实施例中,根据干扰点在点云数据中的位置分布,及造成出现干扰点的原因出发,可以将干扰点的预设类型分为离心点类型、伪最高点类型和干扰点群类型。
具体的,离心点类型的干扰点为与点云数据的质心的离心距离超过预设距离的干扰点。伪最高点类型的干扰点为点云数据中最高点与次高点的高度差值大于预设差值的干扰点。干扰点群类型的干扰点为点云数据在预设维度上存在尺寸异常的干扰点群。
在一些实施例中,确定了预设类型的干扰点后,需要在点云数据中查找相应的预设类型的干扰点,并对干扰点进行标记。对于离心点类型的干扰点,可以通过以下方法查找,具体的步骤为:
S1201、确定点云数据的质心。
点云数据的质心是指所有点云的中心。其中,点云数据的质心可以表示为xCenter、yCenter、zCenter,相应的计算公式可以如下:
其中,N表示当前目标雷达帧关联到的点云数据中的所有点的个数,xi、yi和zi为点云数据中任一个点的三维坐标。
S1202、分别计算点云数据中的每个点与质心的离心距离。
上面步骤中已经确定出点云数据的质心的坐标,然后可根据点云数据中的每个点的三维坐标与质心的三维坐标计算每个点与质心的离心距离。
根据不同的应用场景,可以选择不同的方式计算离心距离。
可选的,当需要关注全局的离心距离时,可以选择在三维空间中的每个点与质心的离心距离。具体的,在三维空间中,每个点与质心的离心距离可以为每个点与质心的欧式距离,具体的计算公式为:
其中,dist(i)表示点云数据中的任一个点到质心的离心距离,x(i)、y(i)和z(i)为点云数据中任意一个点的三维坐标值。
可选的,当需要关注全局的离心距离时,也可以选择在三维空间中,每个点与质心的离心距离也可以表示为每个点与质心的曼哈顿距离,具体的计算公式为:
dist(i)=|x(i)-xCenter|+|y(i)-yCenter|+|z(i)-zCenter|;
可选的,当主要关注某一个维度上的离心距离时,还可以选择在关注的那个维度上的点与质心的曼哈顿距离作为离心距离,具体的计算公式为:
dist(i)=|z(i)-zCenter|;
或者dist(i)=|x(i)-xCenter|;
或者dist(i)=|y(i)-yCenter|。
具体的,在毫米波雷达在进行室内成员检测的过程中,一般情况下,由于z维度的数据离散性更强,诸如抖动的浴帘附近的室内成员的点云数据,则需要采用z维度的每个点与质心的曼哈顿距离进行剔除干扰点。
S1203、将点云数据中所有与质心的离心距离超过预设距离的点,确定为离心点类型的干扰点。
根据不同的应用场景,用户可设置不同的预设距离,从而根据点云数据中的所有点到质心的离心距离与预设距离的关系,确定是否为离心点类型的干扰点。具体的,可以将点云数据中所有与质心的离心距离超过预设距离的点,确定为离心点类型的干扰点,并对所有离心点类型的干扰点添加标识,以便后续剔除。
在一些实施例中,由于最高点包含很多信息,基于单个目标关联到的点云分布都是连续的假设,将不连续的孤立点认为是干扰点。例如,在毫米波雷达对室内成员进行检测时,由于跌倒数据在Z维度上包含的信息最多,尤其是最高点所代表的信息。但是由于该维度的数据稳定性较差,当以该维度的最高点作为被检测目标的主要特征时,则检测的出错概率较高,因此必须将该维度上不连续的孤立点剔除。如图2所示的伪最高点类型的干扰点的分布。
根据不同的应用场景,首先设定最高点和次高点的一个预设差值,通过对点云数据中的所有点在Z维度上的坐标值进行排序,并根据最高点和次高点的差值与预设差值之间的关系,确定是否为伪最高点。如果最高点和次高点的差值不大于预设差值,则当前的最高点为可靠最高点。如果最高点和次高点的差值大于预设差值,则当前的最高点即为伪最高点,将该伪最高点标记为伪最高点类型的干扰点。然后将次高点确定为新的最高点,继续对剩余的其他非伪最高点类型的点,重复进行最高点和次高点的差值与预设差值之间的关系的判断。直至查找到可靠最高点。
具体的,针对不同的应用场景,用户还可以根据每个不同维度包含的信息的多少,提取某一个维度上的坐标信息,从而剔除该维度上的所有干扰点。
下面对Z维度的伪最高点类型的干扰点的查找过程进行详细的介绍。以某个雷达帧的点云数据为例,首先,提取Z维度上的点云数据中的所有点的坐标值,并将该z维度的坐标值保存在数组tepDataForSort中。
然后,对tepDataForSort中的所有数据进行排序,在此可以按照从大到小的顺序进行排序,默认情况下,首位为最大值,第二位为次大值。当然,也可以根据从小到大的顺序排序。在此,仅针对从大到小排序进行介绍。
接着,当最大值与次大值之间的差值大于预设差值时,则确定该最大值对应的点为离群点,为伪最高点类型的干扰点。对剩余的其他非伪最高点类型的点再次进行判断,将次大值作为新的最高点,紧邻次大值后的为新的次高点,再次计算新的最大值和新的次大值之间的差值是否大于预设差值,如仍大于预设差值,则将新的最大值确定为伪最高点类型的干扰点,再次对后续的其他点进行判断。如新的最大值和新的次大值之间的差值不大于预设差值,则确定新的最大值对应的点为真实的最高点,停止判断。
从而即可查找到Z维度的伪最高点类型的干扰点。
同理,用户也可以根据需求在X维度或Y维度上查找伪最高点类型的干扰点,此处不再赘述。
在一些实施例中,采用毫米波雷达对室内成员进行检测时,由于室内空间狭窄,毫米波不可避免的会多次散射。在狭窄的空间中,金属、墙壁、地面等都可能成为毫米波的镜面,由类似镜面反射造成的干扰点称之为多径干扰点。由于多径干扰的这些点也会成群,但是和孤立点有差异,称为干扰点群。当人员距离墙面比较近时,多径干扰点会距离人员真实回波点比较近,在群跟踪模块中,这些干扰点群也会被目标关联到,从而影响识别结果。如图3所示的干扰点群分布示意图。将点云数据在预设维度上存在尺寸异常的干扰点群确定为干扰点群类型的干扰点。
下面对干扰点群类型的干扰点的查找方法进行具体的介绍。以某个雷达帧的点云数据为例,首先,在预设维度为异常维度的情况下,按照预设间隔将由点云数据在预设维度上的最大值和最小值构成的区间划分为多个子区间。之后,若所有子区间内的点的数量均大于预设点数阈值时,则确定所有子区间内的点为不存在干扰点群类型的干扰点,否则将点的数量小于预设点数阈值的子区间确定为断裂子区间;除断裂子区间外,断裂子区间将多个子区间分成多个连续区间。接着,根据非干扰子区间判断条件,在多个连续区间中确定非干扰子区间。最后,将与多个子区间中除非干扰子区间之外的所有子区间相对应的点,确定为存在尺寸异常的干扰点群类型的干扰点。
可选的,判断XOY平面内的任意一个预设维度是否存在尺寸异常,可以首先获取点云数据在预设维度下的尺寸和在Z维度上的最高点的坐标Z值。然后,如果预设维度下的尺寸大于Z值对应的预设尺寸阈值,则将预设维度确定为异常维度。其中,预设维度为X维度或Y维度。不同范围内的的Z值对应不同的预设尺寸阈值。其中,预设维度下的尺寸为在预设维度的坐标最大值与坐标最小值之间的差值。
可选的,由于不含干扰点群的点云数据的集中性好,因此判断XOY平面内的任意一个预设维度是否存在尺寸异常,可以采用点云分布标准差进行确定。当计算得到的标准差大于预设标准差阈值,则确定预设维度为异常维度。具体的,预设预设标准差阈值的范围可以为0.3-0.5。
相应的标准差计算公式如下:
其中,stdValueX为X维度上的分布标准差,stdValueY为Y维度上的分布标准差。
可选的,当确定存在异常维度时,则需要提取异常维度方向上的所有点的值,并按照预设间隔将异常维度上的最大值和最小值构成的区间划分成多个子区间。例如:当异常维度为X维度,X维度上的x的范围为(-0.3,0.8),预设间隔为0.2,则最大值和最小值构成的区间被分成多个子区间,依次为(-0.3,-0.1]、(-0.1,0.1]、(0.1,0.3]、(0.3,0.5]、(0.5,0.7]、(0.7,0.8)。
可选的,若点云数据中与所有子区间相对应的点的数量都不小于预设点数阈值时,则确定目标雷达帧的点云数据中不存在尺寸异常的干扰点群类型的干扰点,否则将点的数量小于预设点数阈值的子区间确定为断裂子区间。
当确定多个子区间内存在断裂子区间后,则需要对除断裂子区间外的其他子区间组成的连续区间内的点进行判断,查找干扰点。仍以上面的(-0.3,-0.1]、(-0.1,0.1]、(0.1,0.3]、(0.3,0.5]、(0.5,0.7]、(0.7,0.8)为例进行说明,对每个子区间内的点的数量进行统计,为便于描述,此处对子区间(-0.3,-0.1]、(-0.1,0.1]、(0.1,0.3]、(0.3,0.5]、(0.5,0.7]、(0.7,0.8)依次按顺序进行编号,分别为1-6子区间。假如子区间1-4和子区间6中的点的数量大于等于预设点数阈值,但是子区间5中的点的数量小于预设点数阈值时,则可确定子区间5为断裂子区间,说明点云数据中存在尺寸异常的干扰点群类型的干扰点,需要进一步查找尺寸异常的干扰点群类型的干扰点。
基于断裂子区间5,则可将除断裂子区间5外的其他子区间分为两个连续区间,分别为1-4为一个连续区间,6为一个连续区间。然后,根据非干扰子区间判断条件,在多个连续区间中确定非干扰子区间。当然,根据场景的不同,也会出现N个断裂子区间,从而会将除断裂子区间外的其他子区间,分成N+1个连续区间,此处不再赘述。
其中,非干扰子区间判断条件可以为:
包含的点的数量最多的连续区间为非干扰子区间;
或者,包含的点的平均距离最小的连续区间为非干扰子区间;
或者,包含的点的信噪比之和最大的连续区间为非干扰子区间。
只需要满足上面任意一个条件即可确定为非干扰子区间。
最后,确定非干扰子区间后,将与多个子区间中除非干扰子区间之外的所有子区间相对应的点,即可确定为存在尺寸异常的干扰点群类型的干扰点。
具体的,下面以任意目标雷达帧为例,给出一种查找存在尺寸异常的区间点群类型的干扰点的方法,具体如下:
当毫米波雷达用于室内人员检测时,在对人员点云进行聚类时,不可避免的会关联到干扰点。尤其当这些干扰点分布在边缘处时,会对目标人员的尺寸估计产生很大的影响。人在不同高度时的二维平面上的展宽尺寸是不同的,例如当人站立时,展宽尺寸较窄。人在坐下时,展宽尺寸稍宽。然而当人在躺下时,最大的展宽尺寸接近身高。因此在对点云数据进行处理时,需要首先确定Z维度上的最高点的高度,即人的身高,从而判断其他维度方向上的尺寸。根据不同的高度区间,确定了不同的预设尺寸阈值,详见表一。
表一
高度区间 | [1.2,2) | [0.6,1.2) | [0,0.6) |
预设尺寸阈值 | 0.4-0.8 | 0.5-1.0 | 1.0-1.5 |
首先,根据Z维度上的最高点的高度,即可确定该高度对应的预设尺寸阈值。通过X维度或Y维度的最高点与最低点之间的距离,即可确定X维度或Y维度方向的尺寸,且与预设尺寸阈值相比,即可确定尺寸是否异常。或者根据X维度或Y维度方向的分布标准差也可确定尺寸是否异常。如果尺寸无异常,则不存在干扰点,否则点云数据中存在尺寸异常的区间点群类型的干扰点,需要查找。
之后,基于上述X维度或Y维度的尺寸判断,即可以确定哪个维度为异常维度。在异常维度上提取点云数据中的所有点在该维度上的最大值和最小值,并将由最大值和最小值构成的区间按照预设间隔分成多个子区间,并统计每个子区间内的点数。其中,预设间隔根据不同的高度区间可以设置不同的间隔,详见表二。
表二
高度区间 | [1.2,2) | [0.6,1.2) | [0,0.6) |
预设尺寸阈值 | 0.4-0.8 | 0.5-1.0 | 1.0-1.5 |
预设间隔 | 0.1-0.4 | 0.2-0.5 | 0.3-0.6 |
然后,根据每个子区间内的点数与预设点数阈值的关系,即可确定所有的子区间内是否存在断裂子区间。当目标子区间内的点数大于等于预设点数阈值,则该目标子区间为非断裂子区间。当目标子区间内的点数小于预设点数阈值,则该目标子区间为断裂子区间。除断裂子区间外断裂子区间左右两边的子区间分别形成连续区间。具体的,根据断裂子区间的数量,可以分成至少两个连续区间。例如有1个断裂子区间,则将整个区间除断裂子区间外分成两个连续区间。如有2个断裂子区间,则将整个区间除断裂子区间外分成三个连续区间。连续区间的数量根据断裂子区间的数量依次类推,此处不再赘述。其中,预设点数阈值用户可以根据不同场景进行设置,可以设置为0、或其他任何数。目标子区间为所有子区间内的任何一个区间。
最后,根据上述的非干扰子区间判断条件,确定被分成的这几个连续区间中的哪个连续区间中的点才是真实的目标,其他区间内的点则被确定为存在尺寸异常的区间点群类型的干扰点,并且被标记。
步骤S130、将查找到的所有预设类型的干扰点从点云数据中剔除。
通过设定三种不同预设类型的干扰点,并利用不同的方法分别查找并标记符合三种不同预设类型的干扰点,最后将查找到的所有预设类型的干扰点从点云中剔除,即可得到由非干扰的点组成的非干扰点云数据。从而用于后续的尺寸评估、行为预测或姿态识别等处理。
需要说明的是,本发明中的三种预设类型的干扰点的剔除方法,可以根据不同的应用场景中进行组合,从而达到很好的剔除效果。如可以先查找点云数据中存在的三种预设类型的干扰点,最后将此三种预设类型的干扰点剔除。也可以根据干扰点对检测目标影响的重要程度或最终的剔除效果,可以设定将优先查找到的预设类型的干扰点进行剔除,然后对剩余的点云数据再次进行查找其余预设类型的干扰点并进行剔除,直至将点云数据中的所有预设类型的干扰点剔除。
具体的,下面以任意目标雷达帧为例,给出一种剔除干扰点的方法,具体如下:
首先,查找点云数据中存在的离心点类型的干扰点,并将查找到的离心点类型的干扰点从点云数据中剔除。然后,在剩余的点云数据中,查找伪最高点类型的干扰点,并将查找到的伪最高点类型的干扰点剔除。最后,在剩余的点云数据中,查找干扰点群类型的干扰点,并将查找到的干扰点群类型的干扰点剔除。如此,即可将目标雷达帧中的由于多重因素引起的干扰点,如边缘处的干扰点、孤立的可疑最高点和由多径干扰引起的干扰点群比较彻底的剔除。从而可以在后续的尺寸评估、行为预测或姿态识别等处理中,获得更高的置信度,更加可靠的稳定性。且本发明提供的剔除干扰点的方法运算量小,占用的内存少,且实时性较高。需要说明的是,本发明不仅可以用于室内的点云处理,用户也可根据不同的应用场景,设定不同的预设距离、不同的预设差值、不同的预设点数阈值及不同的预设尺寸阈值用于其他存在干扰点的场景中。
在本发明实施例中,首先获取目标雷达帧的点云数据;之后,查找点云数据中的预设类型的干扰点,最后将查找到的所有预设类型的干扰点从点云数据中剔除。
由于点云数据中存在很多类型的干扰点,如多径干扰引起的干扰点群、边缘处的干扰点或孤立的可疑最高点等,本发明中的三种预设类型的干扰点能够更加全面地涵盖点云中的所有干扰点的特征。通过查找并剔除属于离心点类型的干扰点,可以去除边缘处的干扰点;通过查找并剔除伪最高点类型的干扰点,可以去除孤立的可疑最高点;通过查找并剔除干扰点群类型的干扰点,可以去除由多径干扰引起的干扰点群。从而通过上述三种查找并剔除干扰点的方法即可以提高对目标物体识别的精确性。
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。
基于上述实施例提供的方法,相应地,本发明还提供了应用于该方法的装置的具体实现方式。请参见以下实施例。
如图4所示,提供了一种剔除点云中干扰点的装置400,该装置包括:
获取模块410,用于获取目标雷达帧的点云数据;
查找模块420,用于查找点云数据中的预设类型的干扰点;其中,预设类型包括离心点类型、伪最高点类型以及干扰点群类型的至少一种;
剔除模块430,用于将查找到的所有预设类型的干扰点从点云数据中剔除。
在一种可能的实现方式中,查找模块420和剔除模块430,还用于:
查找点云数据中的离心点类型的干扰点,将查找到的离心点类型的干扰点从点云数据中剔除;
在剔除掉离心点类型的干扰点的点云数据中,查找伪最高点类型的干扰点,将查找到的伪最高点类型的干扰点剔除;
在剔除掉离心点类型和伪最高点类型的干扰点的点云数据中,查找干扰点群类型的干扰点,将查找到的干扰点群类型的干扰点剔除。
在一种可能的实现方式中,查找模块420,还用于:
确定点云数据的质心;
分别计算点云数据中的每个点与质心的离心距离;
将点云数据中所有与质心的离心距离超过预设距离的点,确定为离心点类型的干扰点。
在一种可能的实现方式中,与质心的离心距离为:
在三维空间中与质心的欧式距离;
或者,在三维空间中与质心的曼哈顿距离;
或者,任意一个维度上与质心的曼哈顿距离。
在一种可能的实现方式中,查找模块420,还用于:
获取点云数据中的每个点在Z维度上的坐标值并进行排序;
判断最高点是否为伪最高点:若最高点的坐标值与次高点的坐标值的差值大于预设差值,则确定最高点为伪最高点,否则确定最高点为可靠最高点;当最高点为伪最高点时,将次高点设为新的最高点,重复执行判断最高点是否为伪最高点的步骤,直至查找到可靠最高点。
在一种可能的实现方式中,查找模块420,还用于:
在预设维度为异常维度的情况下,按照预设间隔将由点云数据在预设维度上的最大值和最小值构成的区间划分为多个子区间;其中,预设维度为X维度或Y维度;
若所有子区间内的点的数量均大于预设点数阈值时,则确定所有子区间内的点为不存在干扰点群类型的干扰点,否则将点的数量小于预设点数阈值的子区间确定为断裂子区间;除断裂子区间外,断裂子区间将多个子区间分成多个连续区间;
根据非干扰子区间判断条件,在多个连续区间中确定非干扰子区间;
将与多个子区间中除非干扰子区间之外的所有子区间相对应的点,确定为干扰点群类型的干扰点。
在一种可能的实现方式中,查找模块420,还用于:
获取点云数据在预设维度下的尺寸和在Z维度上的最高点的坐标Z值;如果预设维度下的尺寸大于Z值对应的预设尺寸阈值,则确定预设维度为异常维度;
或者,获取点云数据在预设维度下所有维度坐标的标准差;如果标准差大于预设标准差阈值,则确定预设维度为异常维度。
在一种可能的实现方式中,非干扰子区间判断条件包括:
包含的点的数量最多的连续区间为非干扰子区间;
或者,包含的点的平均距离最小的连续区间为非干扰子区间;
或者,包含的点的信噪比之和最大的连续区间为非干扰子区间。
图5是本发明实施例提供的电子设备的示意图。如图5所示,该实施例的电子设备5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个剔除点云中干扰点的方法实施例中的步骤,例如图1所示的步骤110至步骤130。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块的功能,例如图4所示模块410至430的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器51中,并由所述处理器50执行,以完成本发明。所述一个或多个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52在所述电子设备5中的执行过程。例如,所述计算机程序52可以被分割成图4所示的模块410至430。
所述电子设备5可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是电子设备5的示例,并不构成对电子设备5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,例如所述电子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50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)、现场可编程门阵列(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51可以是所述电子设备5的内部存储单元,例如电子设备5的硬盘或内存。所述存储器51也可以是所述电子设备5的外部存储设备,例如所述电子设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器51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/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子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,可实现上述各个剔除点云中干扰点的方法实施例的步骤。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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、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是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 (10)
1.一种剔除点云中干扰点的方法,其特征在于,包括:
获取目标雷达帧的点云数据;
查找所述点云数据中的预设类型的干扰点;其中,所述预设类型包括离心点类型、伪最高点类型以及干扰点群类型的至少一种;
将查找到的所有预设类型的干扰点从所述点云数据中剔除。
2.如权利要求1所述的剔除点云中干扰点的方法,其特征在于,所述查找所述点云数据中的预设类型的干扰点,将查找到的所有所述预设类型的干扰点从所述点云数据中剔除,包括:
查找所述点云数据中的所述离心点类型的干扰点,将查找到的所述离心点类型的干扰点从所述点云数据中剔除;
在剔除掉所述离心点类型的干扰点的点云数据中,查找所述伪最高点类型的干扰点,将查找到的所述伪最高点类型的干扰点剔除;
在剔除掉所述离心点类型和所述伪最高点类型的干扰点的点云数据中,查找所述干扰点群类型的干扰点,将查找到的所述干扰点群类型的干扰点剔除。
3.如权利要求1或2所述的剔除点云中干扰点的方法,其特征在于,所述查找所述点云数据中的预设类型的干扰点,包括:
确定所述点云数据的质心;
分别计算所述点云数据中的每个点与所述质心的离心距离;
将所述点云数据中所有与所述质心的离心距离超过所述预设距离的点,确定为所述离心点类型的干扰点。
4.如权利要求3所述的剔除点云中干扰点的方法,其特征在于,所述与所述质心的离心距离为:
在三维空间中与所述质心的欧式距离;
或者,在三维空间中与所述质心的曼哈顿距离;
或者,任意一个维度上与所述质心的曼哈顿距离。
5.如权利要求1或2所述的剔除点云中干扰点的方法,其特征在于,所述查找所述点云数据中的预设类型的干扰点,包括:
获取所述点云数据中的每个点在Z维度上的坐标值并进行排序;
判断最高点是否为伪最高点:若最高点的坐标值与次高点的坐标值的差值大于预设差值,则确定所述最高点为伪最高点,否则确定所述最高点为可靠最高点;当所述最高点为伪最高点时,将所述次高点设为新的最高点,重复执行判断最高点是否为伪最高点的步骤,直至查找到可靠最高点。
6.如权利要求1或2所述的剔除点云中干扰点的方法,其特征在于,所述查找所述点云数据中的预设类型的干扰点,包括:
在预设维度为异常维度的情况下,按照预设间隔将由所述点云数据在所述预设维度上的最大值和最小值构成的区间划分为多个子区间;其中,所述预设维度为X维度或Y维度;
若所有所述子区间内的点的数量均大于预设点数阈值时,则确定所有所述子区间内的点为不存在干扰点群类型的干扰点,否则将点的数量小于预设点数阈值的子区间确定为断裂子区间;除所述断裂子区间外,所述断裂子区间将所述多个子区间分成多个连续区间;
根据非干扰子区间判断条件,在所述多个连续区间中确定非干扰子区间;
将与所述多个子区间中除所述非干扰子区间之外的所有子区间相对应的点,确定为干扰点群类型的干扰点。
7.如权利要求6所述的剔除点云中干扰点的方法,其特征在于,所述在预设维度为异常维度的情况下,按照预设间隔将由所述点云数据在所述预设维度上的最大值和最小值构成的区间划分为多个子区间之前,所述方法还包括:
获取所述点云数据在所述预设维度下的尺寸和在Z维度上的最高点的坐标Z值;如果所述预设维度下的尺寸大于所述Z值对应的预设尺寸阈值,则确定所述预设维度为异常维度;
或者,获取所述点云数据在所述预设维度下所有坐标的标准差;如果所述标准差大于预设标准差阈值,则确定所述预设维度为异常维度。
8.如权利要求6所述的剔除点云中干扰点的方法,其特征在于,所述非干扰子区间判断条件包括:
包含的点的数量最多的连续区间为所述非干扰子区间;
或者,包含的点的平均距离最小的连续区间为所述非干扰子区间;
或者,包含的点的信噪比之和最大的连续区间为所述非干扰子区间。
9.一种剔除点云中干扰点的装置,其特征在于,包括:
获取模块,用于获取目标雷达帧的点云数据;
查找模块,用于查找所述点云数据中的预设类型的干扰点;其中,所述预设类型包括离心点类型、伪最高点类型以及干扰点群类型的至少一种;
剔除模块,用于将查找到的所有预设类型的干扰点从所述点云数据中剔除。
10.一种电子设备,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8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111211981.0A CN113985353A (zh) | 2021-10-18 | 2021-10-18 | 剔除点云中干扰点的方法、装置、和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111211981.0A CN113985353A (zh) | 2021-10-18 | 2021-10-18 | 剔除点云中干扰点的方法、装置、和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113985353A true CN113985353A (zh) | 2022-01-28 |
Family
ID=79739215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111211981.0A Pending CN113985353A (zh) | 2021-10-18 | 2021-10-18 | 剔除点云中干扰点的方法、装置、和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113985353A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115792864A (zh) * | 2023-01-30 | 2023-03-14 | 探维科技(北京)有限公司 | 一种激光雷达的控制方法、装置、电子设备及存储介质 |
-
2021
- 2021-10-18 CN CN202111211981.0A patent/CN113985353A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115792864A (zh) * | 2023-01-30 | 2023-03-14 | 探维科技(北京)有限公司 | 一种激光雷达的控制方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934817B (zh) | 基于多属性的多目标跟踪方法及装置 | |
Kim et al. | Moving object detection under free-moving camera | |
CN109709527B (zh) | 一种全波形激光测高回波信号中高斯分解的高斯波峰法 | |
CN111695429B (zh) | 视频图像目标关联方法、装置及终端设备 | |
CN110348274B (zh) | 一种人脸识别方法、装置及设备 | |
US8686892B2 (en) | Synthetic aperture radar chip level cross-range streak detector | |
US20180032579A1 (en) | Non-transitory computer-readable recording medium, data search method, and data search device | |
CN101794437A (zh) | 一种高光谱遥感影像异常探测方法 | |
CN113985353A (zh) | 剔除点云中干扰点的方法、装置、和电子设备 | |
Muammar et al. | Tristage Hough transform for multiple ellipse extraction | |
CN115372995A (zh) | 一种基于欧式聚类的激光雷达目标检测方法及系统 | |
Califano et al. | Generalized neighborhoods: A new approach to complex parameter feature extraction | |
Tepwankul et al. | U-DBSCAN: A density-based clustering algorithm for uncertain objects | |
KR20220078219A (ko) | 라이다 센서를 이용한 객체 추적을 위한 튜닝 파라미터 결정 방법, 그룹 밀도 기반 군집화 방법, 객체 추적 방법 및 장치 | |
CN115880303A (zh) | 用于pcb板圆孔的亚像素精度定位检测方法及系统 | |
CN109061726B (zh) | 一种识别多次波的方法及装置 | |
CN115980689A (zh) | 基于点云检测的辐射源信号分选方法、装置、设备及介质 | |
CN111582391B (zh) | 基于模块化设计的三维点云离群点检测方法和装置 | |
CN115629365A (zh) | 一种高密度背景信号中少样本信号分选方法及装置 | |
CN113705625A (zh) | 异常生活保障申请家庭的识别方法、装置及电子设备 | |
CN110488259B (zh) | 一种基于gdbscan的雷达目标分类方法及装置 | |
CN113805167A (zh) | 用于区分信号的高效处理 | |
CN112015960A (zh) | 车载雷达测量数据的聚类方法、存储介质和电子装置 | |
CN113514825A (zh) | 道路边缘的获取方法、装置和终端设备 | |
CN117349688B (zh) | 一种基于峰值轨迹的轨迹聚类方法、装置、设备及介质 |
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 |