CN114966591A - 一种大目标检测方法、大目标检测装置及电子设备 - Google Patents
一种大目标检测方法、大目标检测装置及电子设备 Download PDFInfo
- Publication number
- CN114966591A CN114966591A CN202210493552.5A CN202210493552A CN114966591A CN 114966591 A CN114966591 A CN 114966591A CN 202210493552 A CN202210493552 A CN 202210493552A CN 114966591 A CN114966591 A CN 114966591A
- Authority
- CN
- China
- Prior art keywords
- target
- range
- searched
- sub
- point set
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种大目标检测方法、大目标检测装置、电子设备及计算机可读存储介质。其中,该方法包括:获取待处理点云,其中,所述待处理点云通过雷达对目标区域的探测得到;对所述待处理点云进行聚类,确定至少一个目标点集合;在所述至少一个目标点集合中,筛选出大目标点集合;针对每个大目标点集合,根据所述大目标点集合所对应的目标属性信息,确定所述大目标点集合的待搜索范围;在所述待搜索范围内查找目标分裂点,其中,所述目标分裂点为与所述大目标点集合相关,但未被归类至所述大目标点集合的点;将所述目标分裂点归类至所述大目标点集合。本申请方案可以提升雷达对大目标的检测准确率。
Description
技术领域
本申请属于信息处理技术领域,尤其涉及一种大目标检测方法、大目标检测装置、电子设备及计算机可读存储介质。
背景技术
雷达在检测目标时,若目标过大,则雷达会检测到多个反射点。由于不同反射点相对于雷达的角度不同,故雷达所测得的各反射点的径向速度也各不相同,因而雷达可能会认为测量得到的不同反射点分属于不同的目标。这样的话,会造成一个大目标被雷达错误地检测为了多个小目标,影响了雷达的检测效果。
发明内容
本申请提供了一种大目标检测方法、大目标检测装置、电子设备及计算机可读存储介质,可以提升雷达对大目标的检测准确率。
第一方面,本申请提供了一种大目标检测方法,包括:
获取待处理点云,其中,待处理点云通过雷达对目标区域的探测得到;
对待处理点云进行聚类,确定至少一个目标点集合;
在至少一个目标点集合中,筛选出大目标点集合;
针对每个大目标点集合,根据大目标点集合所对应的目标属性信息,确定大目标点集合的待搜索范围;
在待搜索范围内查找目标分裂点,其中,目标分裂点为与大目标点集合相关,但未被归类至大目标点集合的点;
将目标分裂点归类至大目标点集合。
第二方面,本申请提供了一种大目标检测装置,包括:
获取模块,用于获取待处理点云,其中,待处理点云通过雷达对目标区域的探测得到;
第一确定模块,用于对待处理点云进行聚类,确定至少一个目标点集合;
筛选模块,用于在至少一个目标点集合中,筛选出大目标点集合;
第二确定模块,用于针对每个大目标点集合,根据大目标点集合所对应的目标属性信息,确定大目标点集合的待搜索范围;
查找模块,用于在待搜索范围内查找目标分裂点,其中,目标分裂点为与大目标点集合相关,但未被归类至大目标点集合的点;
归类模块,用于将目标分裂点归类至大目标点集合。
第三方面,本申请提供了一种电子设备,该电子设备包括存储器、处理器以及存储在该存储器中并可在该处理器上运行的计算机程序,该处理器执行该计算机程序时实现如该第一方面的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现如该第一方面的方法的步骤。
第五方面,本申请提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序被一个或多个处理器执行时实现如该第一方面的方法的步骤。
本申请与现有技术相比存在的有益效果是:电子设备首先获取待处理点云,其中,待处理点云通过雷达对目标区域的探测得到,然后对待处理点云进行聚类,确定至少一个目标点集合,此过程实现了点云数据级的聚类。这之后,电子设备可在至少一个目标点集合中,筛选出大目标点集合,并针对每个大目标点集合,根据该大目标点集合所对应的目标属性信息,确定该大目标点集合的待搜索范围,随后在该待搜索范围内查找目标分裂点,其中,目标分裂点为与大目标点集合相关,但未被归类至大目标点集合的点,最后将该目标分裂点归类至该大目标点集合,此过程实现了目标数据级的再聚类。通过点云数据级的聚类及目标数据级的再聚类,可保障雷达对同一大目标探测所得的点能够尽可能的被归类至同一个大目标点集合中,减少发生一个大目标被探测为多个小目标的情况。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的大目标检测方法的实现流程示意图;
图2是本申请实施例提供的待搜索子范围的示例图;
图3是本申请实施例提供的大目标检测方法所涉及的各设备的部署示例图;
图4是本申请实施例提供的大目标检测装置的结构框图;
图5是本申请实施例提供的电子设备的结构示意图。
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,以便透彻理解本申请实施例。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申请。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申请的描述。
为了说明本申请所提出的技术方案,下面通过具体实施例来进行说明。
可以理解,在应用本申请实施例所提出的大目标拼接方法时,所指目标可以是车辆,也可以是其它物体。仅作为示例,该其它物体可以是动物或车辆外的交通工具等,本申请实施例不对该目标的类型作出限定。在所指目标为车辆的情况下,大目标指的是尺寸大于预设尺寸的车辆,也即大车。本申请实施例主要以目标为车辆作为示例,对所提出的大目标检测方法作出说明。
请参阅图1,该大目标检测方法的实现流程详述如下:
步骤101,获取待处理点云。
道路上可部署有雷达,用于对其信号的覆盖区域内所经过的车辆进行检测。仅作为示例,在高速公路上,雷达可部署于龙门架。考虑到本申请实施例中,用于检测车辆的设备不止于雷达,因而,将其它设备与雷达的共同覆盖区域记作目标区域。可以理解,雷达的部署位姿已知,对于雷达所发出的信号来说,不同的信号发射(接收)角度即对应了不同的区域。基于此,通过雷达对目标区域的探测,可获得大量原始雷达数据。这些原始雷达数据上传至电子设备后,经由电子设备进行一维快速FFT(距离维FFT)、二维FFT(多普勒FFT)、CFAR及三维FFT(角度维FFT)等相关处理,可得到待处理点云。该待处理点云中的每个点都蕴含了其相对于雷达的径向距离及径向速度等信息。
雷达还可将其雷达散射截面(Radar Cross section,RCS)上传给电子设备。可以理解,基于这些通过雷达所获得的数据,电子设备即可进行后续各项操作。
步骤102,对待处理点云进行聚类,确定至少一个目标点集合。
由于车辆仅在道路上行驶,也即,可近似看作车辆在短时间内仅会在水平面上产生位移,而不会在竖直方向上产生位移。基于此,对于本申请实施例中通过雷达所探测到的各个点来说,电子设备实际重点关注的是各个点投影在水平面上的位置;也即,这些点在竖直方向上的高度在本申请实施例中是可以忽略的。可以认为,电子设备在本申请实施例中对待处理点云中的各个点所进行的操作,均是基于俯视的处理角度进行考虑的;也即,电子设备是在水平的二维坐标系内,对待处理点云进行的聚类、查找及再聚类等一系列操作。
为了从源头减少出现一个大目标被检测为多个小目标的可能性,电子设备可采用自适应半径的DBSCAN(Density-Based Spatial Clustering of Applications withNoise)聚类算法对待处理点云进行聚类。在聚类完成后,即可得到至少一个目标点集合。可以理解,该目标点集合的意义为:一个目标点集合中所包含的所有点有极高的可能同属于一个目标。通过该聚类算法,可选择出适合的聚类半径进行聚类,使得聚类结果(也即聚类所得的目标点集合)更加准确,从点云数据级保障了大目标的检测准确率。
步骤103,在至少一个目标点集合中,筛选出大目标点集合。
正如前文所描述的,除了雷达之外,还有其它设备也会对道路上的车辆进行检测。仅作为示例,该其它设备可以是摄像头,也可以是路侧单元(Road Side Unit,RSU),本申请实施例不对该其它设备的类型作出限定。需要注意的是,该其它目标与雷达在投入使用前需进行同步,以避免因二者上报数据的不同步而导致的分歧。
在一些应用场景下,在该其它设备为摄像头时:首先,摄像头可采集到目标区域内的画面,并将画面上传给电子设备。然后,电子设备通过对画面中的各个目标(也即各个车辆)进行分析,即可获得各个目标的目标属性信息(也即车辆属性信息)。最后,电子设备将各个目标的目标属性信息分别与各个目标点集合进行匹配及融合,即可确定哪些目标点集合表示的是大目标(也即大车),这些被确定为表示大目标的目标点集合即为大目标点集合。
在另一些应用场景下,在其它设备为路侧单元时:首先,路侧单元与目标区域内的车载单元(On Board Unit,OBU)进行通信交互后,可获得各个车载单元所上报的对应目标(也即车辆)的目标属性信息(也即车辆属性信息)。然后,路侧单元可将这些目标属性信息上传给电子设备。最后,电子设备可将接收到的各个目标属性信息与各个目标点集合进行匹配及融合,以此来确定哪些目标点集合表示的是大目标(也即大车),这些被确定为表示大目标的目标点集合即为大目标点集合。
仅作为示例,当目标为车辆时,目标属性信息(也即车辆属性信息)可以包括车辆车牌、车辆位置、车辆型号、车辆长度及车辆宽度等,此处不作限定。
步骤104,针对每个大目标点集合,根据大目标点集合所对应的目标属性信息,确定大目标点集合的待搜索范围。
通过步骤102所进行的聚类操作有可能发生聚类有误的情况,导致实际应该属于某一大目标点集合的点未能通过步骤102被归类至该大目标点集合中。为提升检测的准确率,电子设备可考虑在目标数据级上再进行一次点的聚类,使得大目标点集合附近的一些被误归类的点(也即本属于该大目标点集合,但未被归类至该大目标点集合中的点)能够重新被归类至该大目标点集合中。考虑到目标的尺寸是有限的,即使出现了点被误归类的情况,这些被误归类的点也不会距离本应所属的大目标点集合过远。基于此,为了提升处理效率,避免电子设备在无限制的范围内进行点的再聚类,本申请实施例中,电子设备可根据大目标点集合所对应的目标属性信息,确定出该大目标点集合的待搜索范围。
步骤105,在待搜索范围内查找目标分裂点。
在待搜索范围内进行查找后,可获得目标分裂点。可以理解,理想场景下,这些目标分裂点及该大目标点集合内的点均应为对相同的大目标进行探测所得的点。而实际场景下,由于误聚类等原因,无法完全确保这些目标分裂点及该大目标点集合内的点均为对相同的大目标进行探测所得的点。基于此,本申请实施例中,电子设备可认为这些目标分裂点及该大目标点集合内的点有很大的可能为对相同的大目标进行探测所得的点,则可将该目标分裂点定义为:与大目标点集合相关,但未被归类至该大目标点集合的点。
步骤106,将目标分裂点归类至大目标点集合。
通过步骤104-106,每个大目标点集合都可查找到对应的目标分裂点。也即,针对任一个大目标点集合,电子设备均可找到该大目标点集合所对应的目标分裂点。电子设备可将该大目标点集合所对应的目标分裂点加入至该大目标点集合中,由此实现在目标数据级的再聚类。在实际应用场景下,由于每个大目标点集合表示了一辆大车,因而通过对各个大目标点集合在不同时刻下的追踪,电子设备可实现在目标区域内对各个大车的轨迹追踪。
可以理解,通过点云数据级的聚类及目标数据级的再聚类,可保障雷达对同一大目标探测所得的点能够尽可能的被归类至同一个大目标点集合中,减少发生一个大目标被探测为多个小目标的情况。
在一些实施例中,由于雷达的角度分辨率是固定的,导致雷达数据存在不均匀性。在此基础上,又由于不同目标的反射强度、形状及体积可能不同,进一步导致雷达探测不同目标时所得的点云密度也不同。由此可知,大目标的点云密度与其他目标(也即小目标)的点云密度通常是不一样的。基于以上前提,本申请实施例提出使用自适应半径的DBSCAN聚类算法,通过调整DBSCAN聚类算法所采用的聚类半径来提升聚类的准确性,尽可能将大目标的点云聚成一类。下面对该自适应半径的DBSCAN聚类算法作出详细说明:
DBSCAN聚类算法具有两个参数:聚类半径Eps和点数阈值minps。本申请实施例所提出的自适应半径的DBSCAN聚类算法,指的是调整聚类半径Eps,使其能够获得更佳的大目标聚类效果。
其中,该聚类半径Eps可通过如下公式进行计算:
Eps=αEps,k+βEps,RCS (1)
上式中,Eps为某一核心点所采用的聚类半径;Eps,k为基于点云间隔距离而得的半径,可通过k近邻距离计算得到;Eps,RCS为基于雷达所上报的RCS而得的半径,可通过RCS的转换得到。α和β为权重参数,满足0≤α,β≤1且α+β=1,具体取值可根据实际应用场景而确定。可以理解,如果实际应用场景中,RCS对聚类半径的影响较大,点云间隔距离对聚类半径的影响较小,则可将β取一较大值,将α取一较小值;反之,如果实际应用场景中,RCS对聚类半径的影响较小,点云间隔距离对聚类半径的影响较大,则可将β取一较小值,将α取一较大值。
具体地,可通过如下方式求解出Eps,k:
首先,通过统计的方式简单对待处理点云中的各个点进行分类,获得多个疑似目标,每个疑似目标中有多个点,其过程可简述为:在测试场景下对各个距离下的大目标及小目标进行探测,获得大目标的点云间隔距离典型值及小目标的点云间隔距离典型值;之后,基于该大目标的点云间隔距离典型值及该小目标的点云间隔距离典型值,对待处理点云中的各个点进行分类,即可得到多个疑似目标。
之后,针对任一疑似目标执行如下操作:
对该疑似目标进行分析,获得该疑似目标所包含的点的个数;基于该个数确定出k近邻距离中所要设置的k参数;基于该k参数,求出该疑似目标与其第k个近邻点的距离;将该距离与已设置的判断阈值进行比较,即可求出该疑似目标的Eps,k,可如下公式所示:
其中,γ1为预设的第一距离阈值,γ2为预设的第二距离阈值,γ3为预设的第三距离阈值,且γ1、γ2及γ3互不相等;xk为该疑似目标与其第k个相邻点的距离;ε1为预设的第一判断阈值,ε2为预设的第二判断阈值,且ε1<ε2。
可以理解,通过每个疑似目标均可求解出对应的一个Eps,k。
具体地,可通过如下方式求解出Eps,RCS:
Eps,RCS=rRCS (3)
其中,rRCS为假想半径,可根据雷达所上报的RCS计算得到。
基于上述公式(1)、(2)及(3),每个疑似目标均获得对应的Eps,也即Eps实现了基于目标的自适应。通常来说,大目标通常会有相对较大的Eps,小目标通常会有相对较小的Eps,这样一来,电子设备在进行聚类时,可根据自适应的聚类半径主动区分不同目标,从而能够在源头抑制或者减少出现对大目标的误聚类。
在一些实施例中,针对任一大目标点集合,电子设备可通过如下方式为该大目标点集合确定合适的待搜索范围:
A1、在大目标点集合中,确定目的目标点。
电子设备在步骤103中将目标属性信息与目标点集合进行匹配及融合时,可将该目标属性信息附加在已匹配上的目标点集合中的随机一点上,该点即可被确定为该大目标点集合的目的目标点。当然,电子设备也可将该目标属性信息附加在已匹配上的目标点集合中的中心点上,也即,电子设备可将大目标点集合中的中心点确定为目的目标点。本申请实施例中,不对该目的目标点作出限定。
A2、以目的目标点为圆心,以指定目标长度的指定倍数为半径,确定待搜索范围。
目标属性信息中包含有目标标识、目标长度及目标宽度等属性参数。在目标为车辆时,目标属性信息中的目标标识具体为:车辆车牌;目标属性信息中的目标长度具体为:车辆长度;目标属性信息中的目标宽度具体为:车辆宽度。
电子设备在将大目标点集合所对应的目标属性信息指示的目标长度确定为指定目标长度之后,可以目的目标点为圆心,以指定目标长度的指定倍数为半径划定一圆形范围。仅作为示例,该半径r可通过如下公式表示:
r=a*L (4)
其中,L为指定目标长度;a为指定倍数,可以理解,a的取值不宜过大,其取值范围可以是:1≤a≤3。
在一些实施例中,在前文所提出的待搜索范围的基础上,电子设备可以有序进行目标分裂点的查找,其查找过程如下:
B1、将待搜索范围划分为N个不重叠的待搜索子范围。
电子设备可先基于待搜索范围的半径r,确定等分长度Δr。然后,以目的目标点为圆心,电子设备可在待搜索范围内递增Δr画圆;也即,仍旧以目的目标点为圆心,以nΔr(n=1,2,…,N)为半径画圆,由此实现根据该等分长度Δr,将待搜索范围划分为N个不重叠的待搜索子范围。需要注意的是,为保障N为整数,Δr需要为r的约数,也即Δr可被r整除。则N可通过如下公式表示:
其中:
第1个待搜索子范围为:以目标分裂点为圆心,以等分长度为半径的圆形范围;
第i个待搜索子范围为:第i个圆形与第i-1个圆形所形成的环形范围,该第i个圆形以目的目标点为圆心,以i倍的等分长度为半径,该第i-1个圆形以目的目标点为圆心,以i-1倍的等分长度为半径,i为大于1且小于N+1的正整数。
需要注意的是,Δr的取值不应太小,应尽量使计算所得的N在10以内,以保障处理效率;Δr的取值也不应太大,以避免在一个范围内存在大量属于其它目标的点。
为便于理解该待搜索子范围的划分过程,请参阅图2,图2给出了俯视角度下,待搜索子范围的示例。图2中,划分有5个待搜索子范围,为便于理解,使用了不同深浅的灰度填充了不同待搜索子范围,其中,第1个待搜索子范围的灰度最浅,第2个待搜索子范围的灰度次浅,以此类推,第5个待搜索子范围的灰度最深。可见,除了第1个待搜索子范围为圆形,其它各个待搜索子范围均为环形,且各环形的宽度与该圆形的半径均为等分长度Δr。
B2、针对每个待搜索子范围,计算该待搜索子范围内的分裂点与目的目标点的速度差值之和。
本申请实施例中所提出的分裂点指的是:未被归类至该大目标点集合的点。对第n个待搜索子范围来说,电子设备可通过如下过程计算出该待搜索子范围内的分裂点与目的目标点的速度差值之和:
首先,获取该第n个待搜索子范围内的每个分裂点的径向速度以及目的目标点的径向速度。该径向速度指的是探测到的点相对于雷达的径向速度,可由雷达上传得到。
然后,计算该第n个待搜索子范围内的每个分裂点与该目的目标点的径向速度差值绝对值,可通过如下公式表示:
Δvn,j=|v0-vn,j|,j=1,2,… (6)
其中,Δvn,j为该第n个待搜索子范围内第j个分裂点与目的目标点的径向速度差值绝对值;v0为目的目标点的径向速度;vn,j为该第n个待搜索子范围内,第j个分裂点的径向速度。
最后,对该第n个待搜索子范围内所得到的所有径向速度差值绝对值进行求和,得到该第n个待搜索子范围的速度差值之和,可通过如下公式表示:
其中,Δvn为第n个待搜索子范围的速度差值之和。
B3、根据速度差值之和,确定目标搜索子范围。
可以理解,对于属于同一目标的点来说,这些点与目的目标点的径向速度差值绝对值应该是随着该点与目的目标点的距离而稳定变化的。基于此,电子设备可通过速度差值之和的突变来确定目标搜索子范围,其过程具体为:
检测第k+1个待搜索子范围的速度差值之和相比于第k个待搜索子范围的速度差值之和是否发生突变,其中,k初始为1;
若检测到第k+1个待搜索子范围的速度差值之和相比于第k个待搜索子范围的速度差值之和发生突变,则将前k个待搜索子范围均确定为目标搜索子范围;
若检测到第k+1个待搜索子范围的速度差值之和相比于第k个待搜索子范围的速度差值之和未发生突变,则将k更新为下一个正整数,并返回执行检测第k+1个待搜索子范围的速度差值之和相比于第k个待搜索子范围的速度差值之和是否发生突变的步骤及后续步骤,其中,更新后的k小于N。
其中,是否发生突变可这样进行判断:先计算第k+1个待搜索子范围的速度差值之和与第k个待搜索子范围的速度差值之和的差值绝对值,如下公式所示:
δk+1,k=|Δvk+1-Δvk| (7)
然后将计算所得的δk+1,k与预设的速度差阈值ω进行比较:若δk+1,k≤ω,则未发生突变;若δk+1,k>ω,则发生突变。
可以将上述过程理解为:电子设备依次判断δ2,1、δ3,2及δ4,3等是否大于ω,直至找到第一个大于ω的δk+1,k。基于该第一个大于ω的δk+1,k,将前k个待搜索子范围均确定为目标搜索子范围。
B4、将目标搜索子范围中的所有分裂点确定为目标分裂点。
电子设备认为速度差值之和未发生突变时的待搜索子范围内的分裂点与目的目标点均属于同一目标。基于此,在确定了目标搜索子范围之后,电子设备可将目标搜索子范围中的所有分裂点均确定为目标分裂点。后续通过步骤106,这些目标分裂点均可被归类至该目的目标点所属的大目标点集合内。
在一些实施例中,待搜索范围及待搜索子范围也可基于其它形状进行划分。该其它形状可以是正方形或三角形等,此处不作限定。仅作为示例,待搜索范围可以是以目的目标点为中心,以指定目标长度的指定倍数为边长的正方形范围;类似地,对于N个不重叠的待搜索子范围来说,其可基于待搜索范围的边长确定等分长度,则第1个待搜索子范围可以为:以目的目标点为中心,以等分长度为边长的正方形范围;第i个待搜索子范围可以为:第i个正方形与第i-1个正方形所形成的范围,第i个正方形以目的目标点为中心,以i倍的等分长度为边长,第i-1个正方形以目的目标点为中心,以i-1倍的等分长度为边长。
可以理解,本申请实施例所说的电子设备,可以是服务器或其它具备信息处理能力的设备,此处不对该电子设备的类型作出限定。
在一些实施例中,请参阅图3,图3给出了大目标检测方法所涉及的各个设备的部署示例。在图3中,虚线箭头表示行车方向,黑色圆形表示雷达,黑色方形表示RSU(也即用于探测的其它设备),方框表示电子设备。可以理解,雷达和RSU都可以部署多个,图3并不对雷达及RSU的数量作出限定。由图3可知,雷达及RSU可均部署于高速公路的龙门架上;实线框选的深灰色区域为目标区域,也即雷达和RSU的共同检测区域;灰色虚线框选的浅灰色区域为两个相邻的龙门架上部署的雷达的重叠检测区域;两个龙门架之间虚线框选的白色区域是雷达的单独检测区域。雷达可以进行多目标检测,且RSU能够与多个车辆的OBU进行交互以获得车辆属性信息。当然,在实际应用中,可根据道路规划情况来部署雷达、RSU及电子设备,本申请实施例并不对各设备的部署方式作出限定。
在一些实施例中,可以理解,当大车行进至了雷达的单独检测区域时,由于只有雷达能够检测到目标,这有可能会导致出现大目标分裂的情况。如果出现该情况,则电子设备可立即采用前文所提出的自适应半径的DBSCAN聚类算法对其进行聚类操作,从而保障大车的轨迹的连续性及唯一性。
在一些实施例中,相邻两个电子设备之间建立有通信连接,其中,相邻两个电子设备指的是:相邻的两个龙门架上的雷达所分别连接的电子设备。可以理解,相邻两个电子设备中,处于上游的电子设备可将检测到的大车的轨迹输出给处于下游的电子设备(上下游基于行车方向而确定),由此实现大车的轨迹在不同路段的追踪,进一步保障大车的轨迹的连续性及唯一性。
由上可见,通过本申请实施例,首先获取待处理点云,其中,待处理点云通过雷达对目标区域的探测得到,然后对待处理点云进行聚类,确定至少一个目标点集合,此过程实现了点云数据级的聚类。这之后,可在至少一个目标点集合中,筛选出大目标点集合,并针对每个大目标点集合,根据该大目标点集合所对应的目标属性信息,确定该大目标点集合的待搜索范围,随后在该待搜索范围内查找目标分裂点,其中,目标分裂点为与大目标点集合相关,但未被归类至大目标点集合的点,最后将该目标分裂点归类至该大目标点集合,此过程实现了目标数据级的再聚类。通过点云数据级的聚类及目标数据级的再聚类,可保障雷达对同一大目标探测所得的点能够尽可能的被归类至同一个大目标点集合中,减少发生一个大目标被探测为多个小目标的情况。
对应于上文所提供的大目标检测方法,本申请实施例还提供了一种大目标检测装置。如图4所示,该大目标检测装置400包括:
获取模块401,用于获取待处理点云,其中,所述待处理点云通过雷达对目标区域的探测得到;
第一确定模块402,用于对所述待处理点云进行聚类,确定至少一个目标点集合;
筛选模块403,用于在所述至少一个目标点集合中,筛选出大目标点集合;
第二确定模块404,用于针对每个大目标点集合,根据所述大目标点集合所对应的目标属性信息,确定所述大目标点集合的待搜索范围;
查找模块405,用于在所述待搜索范围内查找目标分裂点,其中,所述目标分裂点为与所述大目标点集合相关,但未被归类至所述大目标点集合的点;
归类模块406,用于将所述目标分裂点归类至所述大目标点集合。
可选地,所述第二确定模块404,包括:
目的目标点确定单元,用于在所述大目标点集合中,确定目的目标点;
待搜索范围确定单元,用于以所述目的目标点为圆心,以指定目标长度的指定倍数为半径,确定所述待搜索范围,其中,所述指定目标长度为所述大目标点集合所对应的目标属性信息指示的目标长度。
可选地,所述查找模块405,包括:
待搜索子范围划分单元,用于将所述待搜索范围划分为N个不重叠的待搜索子范围;
速度差值之和计算单元,用于针对每个所述待搜索子范围,计算所述待搜索子范围内的分裂点与所述目的目标点的速度差值之和,其中,所述分裂点为未被归类至所述大目标点集合的点;
目标搜索子范围确定单元,用于根据所述速度差值之和,确定目标搜索子范围;
目标分裂点确定单元,用于将所述目标搜索子范围中的所有分裂点确定为目标分裂点。
可选地,所述待搜索子范围划分单元,包括:
等分长度确定子单元,用于基于所述待搜索范围的半径,确定等分长度;
范围划分子单元,用于根据所述等分长度,将所述待搜索范围划分为N个不重叠的待搜索子范围;
其中:
第1个待搜索子范围为:以所述目的目标点为圆心,以所述等分长度为半径的圆形范围;
第i个待搜索子范围为:第i个圆形与第i-1个圆形所形成的环形范围,所述第i个圆形以所述目的目标点为圆心,以i倍的所述等分长度为半径,所述第i-1个圆形以所述目的目标点为圆心,以i-1倍的所述等分长度为半径,i为大于1且小于N+1的正整数。
可选地,所述速度差值之和计算单元,包括:
计算子单元,用于计算所述待搜索子范围内的每个分裂点与所述目的目标点的径向速度差值绝对值;
求和子单元,用于对计算所得的所述待搜索子范围内所有所述径向速度差值绝对值进行求和,得到所述速度差值之和。
可选地,所述目标搜索子范围确定单元,包括:
突变检测子单元,用于检测第k+1个所述待搜索子范围的速度差值之和相比于第k个所述待搜索子范围的速度差值之和是否发生突变,其中,k初始为1;
目标搜索子范围确定子单元,用于若检测到第k+1个所述待搜索子范围的速度差值之和相比于第k个所述待搜索子范围的速度差值之和发生突变,则将前k个所述待搜索子范围均确定为所述目标搜索子范围;
k值更新子单元,用于若检测到第k+1个所述待搜索子范围的速度差值之和相比于第k个所述待搜索子范围的速度差值之和未发生突变,则将k更新为下一个正整数,并触发上述突变检测子单元的再次运行,其中,更新后的k小于N。
可选地,所述筛选模块403,包括:
接收单元,用于接收路侧单元上传的至少一条目标属性信息,所述路侧单元与所述雷达已同步;
融合单元,用于将所述至少一条目标属性信息与所述至少一个目标点集合进行融合;
筛选单元,用于基于各个所述目标点集合所对应的目标属性信息,筛选出所述至少一个目标点集合中的大目标点集合。
由上可见,通过本申请实施例,首先获取待处理点云,其中,待处理点云通过雷达对目标区域的探测得到,然后对待处理点云进行聚类,确定至少一个目标点集合,此过程实现了点云数据级的聚类。这之后,可在至少一个目标点集合中,筛选出大目标点集合,并针对每个大目标点集合,根据该大目标点集合所对应的目标属性信息,确定该大目标点集合的待搜索范围,随后在该待搜索范围内查找目标分裂点,其中,目标分裂点为与大目标点集合相关,但未被归类至大目标点集合的点,最后将该目标分裂点归类至该大目标点集合,此过程实现了目标数据级的再聚类。通过点云数据级的聚类及目标数据级的再聚类,可保障雷达对同一大目标探测所得的点能够尽可能的被归类至同一个大目标点集合中,减少发生一个大目标被探测为多个小目标的情况。
对应于上文所提供的大目标检测方法,本申请实施例还提供了一种电子设备。请参阅图5,本申请实施例中的电子设备5包括:存储器501,一个或多个处理器502(图5中仅示出一个)及存储在存储器501上并可在处理器上运行的计算机程序。其中:存储器501用于存储软件程序以及单元,处理器502通过运行存储在存储器501的软件程序以及单元,从而执行各种功能应用以及诊断,以获取上述预设事件对应的资源。具体地,处理器502通过运行存储在存储器501的上述计算机程序时实现以下步骤:
获取待处理点云,其中,所述待处理点云通过雷达对目标区域的探测得到;
对所述待处理点云进行聚类,确定至少一个目标点集合;
在所述至少一个目标点集合中,筛选出大目标点集合;
针对每个大目标点集合,根据所述大目标点集合所对应的目标属性信息,确定所述大目标点集合的待搜索范围;
在所述待搜索范围内查找目标分裂点,其中,所述目标分裂点为与所述大目标点集合相关,但未被归类至所述大目标点集合的点;
将所述目标分裂点归类至所述大目标点集合。
假设上述为第一种可能的实施方式,则在第一种可能的实施方式作为基础而提供的第二种可能的实施方式中,所述根据所述大目标点集合所对应的目标属性信息,确定所述大目标点集合的待搜索范围,包括:
在所述大目标点集合中,确定目的目标点;
以所述目的目标点为圆心,以指定目标长度的指定倍数为半径,确定所述待搜索范围,其中,所述指定目标长度为所述大目标点集合所对应的目标属性信息指示的目标长度。
在上述第二种可能的实施方式作为基础而提供的第三种可能的实施方式中,所述在所述待搜索范围内查找目标分裂点,包括:
将所述待搜索范围划分为N个不重叠的待搜索子范围;
针对每个所述待搜索子范围,计算所述待搜索子范围内的分裂点与所述目的目标点的速度差值之和,其中,所述分裂点为未被归类至所述大目标点集合的点;
根据所述速度差值之和,确定目标搜索子范围;
将所述目标搜索子范围中的所有分裂点确定为目标分裂点。
在上述第三种可能的实施方式作为基础而提供的第四种可能的实施方式中,所述将所述待搜索范围划分为N个不重叠的待搜索子范围,包括:
基于所述待搜索范围的半径,确定等分长度;
根据所述等分长度,将所述待搜索范围划分为N个不重叠的待搜索子范围;
其中:
第1个待搜索子范围为:以所述目的目标点为圆心,以所述等分长度为半径的圆形范围;
第i个待搜索子范围为:第i个圆形与第i-1个圆形所形成的环形范围,所述第i个圆形以所述目的目标点为圆心,以i倍的所述等分长度为半径,所述第i-1个圆形以所述目的目标点为圆心,以i-1倍的所述等分长度为半径,i为大于1且小于N+1的正整数。
在上述第三种可能的实施方式作为基础而提供的第五种可能的实施方式中,所述计算所述待搜索子范围内的分裂点与所述目的目标点的速度差值之和,包括:
计算所述待搜索子范围内的每个分裂点与所述目的目标点的径向速度差值绝对值;
对计算所得的所述待搜索子范围内所有所述径向速度差值绝对值进行求和,得到所述速度差值之和。
在上述第三种可能的实施方式作为基础而提供的第六种可能的实施方式中,所述根据所述速度差值之和,确定目标搜索子范围,包括:
检测第k+1个所述待搜索子范围的速度差值之和相比于第k个所述待搜索子范围的速度差值之和是否发生突变,其中,k初始为1;
若检测到第k+1个所述待搜索子范围的速度差值之和相比于第k个所述待搜索子范围的速度差值之和发生突变,则将前k个所述待搜索子范围均确定为所述目标搜索子范围;
若检测到第k+1个所述待搜索子范围的速度差值之和相比于第k个所述待搜索子范围的速度差值之和未发生突变,则将k更新为下一个正整数,并返回执行所述检测第k+1个所述待搜索子范围的速度差值之和相比于第k个所述待搜索子范围的速度差值之和是否发生突变的步骤及后续步骤,其中,更新后的k小于N。
在上述第一种可能的实施方式作为基础而提供的第七种可能的实施方式中,所述在所述至少一个目标点集合中,筛选出大目标点集合,包括:
接收路侧单元上传的至少一条目标属性信息,所述路侧单元与所述雷达已同步;
将所述至少一条目标属性信息与所述至少一个目标点集合进行融合;
基于各个所述目标点集合所对应的目标属性信息,筛选出所述至少一个目标点集合中的大目标点集合。
应当理解,在本申请实施例中,所称处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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。
存储器501可以包括只读存储器和随机存取存储器,并向处理器502提供指令和数据。存储器501的一部分或全部还可以包括非易失性随机存取存储器。例如,存储器501还可以存储设备类别的信息。
由上可见,通过本申请实施例,首先获取待处理点云,其中,待处理点云通过雷达对目标区域的探测得到,然后对待处理点云进行聚类,确定至少一个目标点集合,此过程实现了点云数据级的聚类。这之后,可在至少一个目标点集合中,筛选出大目标点集合,并针对每个大目标点集合,根据该大目标点集合所对应的目标属性信息,确定该大目标点集合的待搜索范围,随后在该待搜索范围内查找目标分裂点,其中,目标分裂点为与大目标点集合相关,但未被归类至大目标点集合的点,最后将该目标分裂点归类至该大目标点集合,此过程实现了目标数据级的再聚类。通过点云数据级的聚类及目标数据级的再聚类,可保障雷达对同一大目标探测所得的点能够尽可能的被归类至同一个大目标点集合中,减少发生一个大目标被探测为多个小目标的情况。
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,即将上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、或者外部设备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申请的范围。
在本申请所提供的实施例中,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,以上所描述的系统实施例仅仅是示意性的,例如,上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。
上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。
上述集成的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存储介质中。基于这样的理解,本申请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联的硬件来完成,上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,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上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。上述计算机可读存储介质可以包括:能够携带上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、计算机可读存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储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,计算机可读存储介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种大目标检测方法,其特征在于,包括:
获取待处理点云,其中,所述待处理点云通过雷达对目标区域的探测得到;
对所述待处理点云进行聚类,确定至少一个目标点集合;
在所述至少一个目标点集合中,筛选出大目标点集合;
针对每个大目标点集合,根据所述大目标点集合所对应的目标属性信息,确定所述大目标点集合的待搜索范围;
在所述待搜索范围内查找目标分裂点,其中,所述目标分裂点为与所述大目标点集合相关,但未被归类至所述大目标点集合的点;
将所述目标分裂点归类至所述大目标点集合。
2.如权利要求1所述的大目标检测方法,其特征在于,所述根据所述大目标点集合所对应的目标属性信息,确定所述大目标点集合的待搜索范围,包括:
在所述大目标点集合中,确定目的目标点;
以所述目的目标点为圆心,以指定目标长度的指定倍数为半径,确定所述待搜索范围,其中,所述指定目标长度为所述大目标点集合所对应的目标属性信息指示的目标长度。
3.如权利要求2所述的大目标检测方法,其特征在于,所述在所述待搜索范围内查找目标分裂点,包括:
将所述待搜索范围划分为N个不重叠的待搜索子范围;
针对每个所述待搜索子范围,计算所述待搜索子范围内的分裂点与所述目的目标点的速度差值之和,其中,所述分裂点为未被归类至所述大目标点集合的点;
根据所述速度差值之和,确定目标搜索子范围;
将所述目标搜索子范围中的所有分裂点确定为目标分裂点。
4.如权利要求3所述的大目标检测方法,其特征在于,所述将所述待搜索范围划分为N个不重叠的待搜索子范围,包括:
基于所述待搜索范围的半径,确定等分长度;
根据所述等分长度,将所述待搜索范围划分为N个不重叠的待搜索子范围;
其中:
第1个待搜索子范围为:以所述目的目标点为圆心,以所述等分长度为半径的圆形范围;
第i个待搜索子范围为:第i个圆形与第i-1个圆形所形成的环形范围,所述第i个圆形以所述目的目标点为圆心,以i倍的所述等分长度为半径,所述第i-1个圆形以所述目的目标点为圆心,以i-1倍的所述等分长度为半径,i为大于1且小于N+1的正整数。
5.如权利要求3所述的大目标检测方法,其特征在于,所述计算所述待搜索子范围内的分裂点与所述目的目标点的速度差值之和,包括:
计算所述待搜索子范围内的每个分裂点与所述目的目标点的径向速度差值绝对值;
对计算所得的所述待搜索子范围内所有所述径向速度差值绝对值进行求和,得到所述速度差值之和。
6.如权利要求3所述的大目标检测方法,其特征在于,所述根据所述速度差值之和,确定目标搜索子范围,包括:
检测第k+1个所述待搜索子范围的速度差值之和相比于第k个所述待搜索子范围的速度差值之和是否发生突变,其中,k初始为1;
若检测到第k+1个所述待搜索子范围的速度差值之和相比于第k个所述待搜索子范围的速度差值之和发生突变,则将前k个所述待搜索子范围均确定为所述目标搜索子范围;
若检测到第k+1个所述待搜索子范围的速度差值之和相比于第k个所述待搜索子范围的速度差值之和未发生突变,则将k更新为下一个正整数,并返回执行所述检测第k+1个所述待搜索子范围的速度差值之和相比于第k个所述待搜索子范围的速度差值之和是否发生突变的步骤及后续步骤,其中,更新后的k小于N。
7.如权利要求1所述的大目标检测方法,其特征在于,所述在所述至少一个目标点集合中,筛选出大目标点集合,包括:
接收路侧单元上传的至少一条目标属性信息,所述路侧单元与所述雷达已同步;
将所述至少一条目标属性信息与所述至少一个目标点集合进行融合;
基于各个所述目标点集合所对应的目标属性信息,筛选出所述至少一个目标点集合中的大目标点集合。
8.一种大目标检测装置,其特征在于,包括:
获取模块,用于获取待处理点云,其中,所述待处理点云通过雷达对目标区域的探测得到;
第一确定模块,用于对所述待处理点云进行聚类,确定至少一个目标点集合;
筛选模块,用于在所述至少一个目标点集合中,筛选出大目标点集合;
第二确定模块,用于针对每个大目标点集合,根据所述大目标点集合所对应的目标属性信息,确定所述大目标点集合的待搜索范围;
查找模块,用于在所述待搜索范围内查找目标分裂点,其中,所述目标分裂点为与所述大目标点集合相关,但未被归类至所述大目标点集合的点;
归类模块,用于将所述目标分裂点归类至所述大目标点集合。
9.一种电子设备,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7任一项所述的方法。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210493552.5A CN114966591A (zh) | 2022-05-07 | 2022-05-07 | 一种大目标检测方法、大目标检测装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210493552.5A CN114966591A (zh) | 2022-05-07 | 2022-05-07 | 一种大目标检测方法、大目标检测装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114966591A true CN114966591A (zh) | 2022-08-30 |
Family
ID=82981291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210493552.5A Pending CN114966591A (zh) | 2022-05-07 | 2022-05-07 | 一种大目标检测方法、大目标检测装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114966591A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116499488A (zh) * | 2023-06-29 | 2023-07-28 | 小米汽车科技有限公司 | 目标融合方法、装置、车辆及存储介质 |
CN117252863A (zh) * | 2023-11-13 | 2023-12-19 | 山东省地质测绘院 | 一种地理信息异常数据快速检测分析方法 |
-
2022
- 2022-05-07 CN CN202210493552.5A patent/CN114966591A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116499488A (zh) * | 2023-06-29 | 2023-07-28 | 小米汽车科技有限公司 | 目标融合方法、装置、车辆及存储介质 |
CN116499488B (zh) * | 2023-06-29 | 2023-11-03 | 小米汽车科技有限公司 | 目标融合方法、装置、车辆及存储介质 |
CN117252863A (zh) * | 2023-11-13 | 2023-12-19 | 山东省地质测绘院 | 一种地理信息异常数据快速检测分析方法 |
CN117252863B (zh) * | 2023-11-13 | 2024-02-09 | 山东省地质测绘院 | 一种地理信息异常数据快速检测分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087510B (zh) | 交通监测方法及装置 | |
US9870512B2 (en) | Lidar-based classification of object movement | |
CN114966591A (zh) | 一种大目标检测方法、大目标检测装置及电子设备 | |
CN111856507B (zh) | 一种环境感测实现方法、智能移动设备和存储介质 | |
CN112861833B (zh) | 车辆车道级定位方法、装置、电子设备和计算机可读介质 | |
US20220108552A1 (en) | Method and Apparatus for Determining Drivable Region Information | |
CN111179218A (zh) | 传送带物料检测方法、装置、存储介质及终端设备 | |
CN114782496A (zh) | 一种对象的跟踪方法、装置、存储介质及电子装置 | |
CN111723866A (zh) | 点云聚类的方法及装置、无人车、可读存储介质 | |
CN110308428B (zh) | 一种建立低空杂波分布仿真模型的方法 | |
CN113514825A (zh) | 道路边缘的获取方法、装置和终端设备 | |
KR101748077B1 (ko) | 바이스태틱 표적식별을 위한 데이터베이스 구축방법, 구축된 데이터베이스를 이용한 바이스태틱 표적식별장치 및 바이스태틱 표적식별방법 | |
Sun et al. | Intelligent traffic accident detection system using surveillance video | |
EP4357806A1 (en) | A method and device for filtering radar reflection points | |
CN115512099B (zh) | 一种激光点云数据处理方法及装置 | |
EP4099211A1 (en) | Method and device for training a machine learning algorithm | |
CN117269951B (zh) | 空地多视角信息增强的目标跟踪方法 | |
CN115792870B (zh) | 用于激光雷达的窗口遮挡的检测方法及装置 | |
CN115439484B (zh) | 基于4d点云的检测方法、装置、存储介质及处理器 | |
CN115147330A (zh) | 目标检测的方法、装置及相关设备 | |
CN117274646A (zh) | 目标分类方法、装置、设备及存储介质 | |
CN116660888A (zh) | 雷达目标与视觉目标关联方法、装置、车辆和存储介质 | |
CN116883707A (zh) | 一种毫米波雷达点云聚类方法 | |
CN116485837A (zh) | 一种目标跟踪方法、介质以及电子设备 | |
CN116148790A (zh) | 探测对象的分类方法和装置、存储介质及电子装置 |
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 |