CN115719364B - 一种基于移动测量点云数据进行行人跟踪的方法和系统 - Google Patents
一种基于移动测量点云数据进行行人跟踪的方法和系统 Download PDFInfo
- Publication number
- CN115719364B CN115719364B CN202211417808.0A CN202211417808A CN115719364B CN 115719364 B CN115719364 B CN 115719364B CN 202211417808 A CN202211417808 A CN 202211417808A CN 115719364 B CN115719364 B CN 115719364B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- pedestrian
- road
- points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种基于移动测量点云数据进行行人跟踪的方法，包括如下步骤：从点云数据中识别和提取行人的点云数据；基于提取的行人的点云数据获取行人的位置和状态；基于行人相邻的位置和状态确定行人的速度和加速度；基于行人的速度、加速度和公路移动机器人自身状态判断有效的行人跟踪目标并对有效的行人跟踪目标进行跟踪，通过从采集的点云数据中对行人的点云数据进行分离，通过分离的出来的行人的点云数据进行分析，达到了对行人进行识别跟踪的效果，从而使公路移动机器人适用于城市的街道、建筑的点云数据采集，避免使用公路移动机器人搭载和采用毫米波和其他跟踪系统的硬件手段从而降低了数据采集成本，实现了无人化采集。
Description
技术领域
本申请涉及网络安全技术领域，具体涉及一种基于移动测量点云数据进行行人跟踪的方法和系统。
背景技术
移动测量在城市的数字化及可视化中应用广泛，通过移动测量采集城市的街道、建筑的点云数据并对其进行重构实现对城市的数字化及可视化。
目前，用于移动测量的移动设备也多种多样，其中包括移动测量采集车、公路移动机器人和无人机。其中，移动测量采集车，无疑是移动设备中最昂贵的，为节约设备成本，使用公路移动机器人和无人机无疑是最好的选择，但是由于城市空域的限制使无人机在移动测量中的使用存在局限性，并且城市公路中存在环境复杂性，特别公路移动机器人对行人的意图识别的问题，使公路移动机器人在移动测量中的使用存在局限性，而如果对公路移动机器人搭载现有用于行人数据采集的毫米波雷达和跟踪识别系统无异于会增加设备成本。
因此，如何使公路移动机器人能够通过采集的点云数据对行人进行跟踪，从而适用于城市的街道、建筑的点云数据采集，是本领域技术人员亟待克服的技术问题。
发明内容
(一)申请目的
有鉴于此，本申请的目的在于提供一种基于移动测量点云数据进行行人跟踪的方法和系统，用于解决如何使公里移动机器人能够通过采集的点云数据对行人进行跟踪的技术问题。
(二)技术方案
本申请公开了一种基于移动测量点云数据进行行人跟踪的方法，包括如下步骤：
从点云数据中识别和提取行人的点云数据；基于提取的行人的点云数据获取行人的位置和状态；基于行人相邻的位置和状态确定行人的速度和加速度；基于行人的速度、加速度和公路移动机器人自身状态判断有效的行人跟踪目标并对有效的行人跟踪目标进行跟踪。
在一种可能的实施方式中，所述从点云数据中识别和提取行人的点云数据包括：点云预处理，基于测量范围对点云进行分割，确定行人点云数据的范围。
在一种可能的实施方式中，所述基于测量范围对点云进行分割，确定行人点云数据的范围包括：通过KD-tree建立行人点云数据范围内的离散点之间的拓扑关系；建立一个空的聚类列表P，一个待处理队列L，一个空的过渡聚类队列并将行人点云数据范围内的中的每一个点都加入待处理队列L；对于L中的第i个点，搜索在这个点周围半径为r＜Sd的邻域，并将搜索到的点保存在过渡聚类队列/>中，其中，k为过渡聚类的序号，对于生成的第一个过渡聚类k＝1；计算它们与点之间的欧几里得距离，其中，欧几里得距离最小的点被分到同一类中，并存储在列表P中，重复该步骤，直到处理完L中的所有点；计算列表P中所有聚类之间的欧几里得距离，并将具有最小欧几里得距离的聚类归为同一聚类，重复该过程，直到列表P中所有聚类之间的欧几里得距离均大于距离阈值Sd；计算各个聚类点的尺寸，基于聚类点尺寸确定行人的点云数据。
在一种可能的实施方式中，当基于有效的行人跟踪目标的速度、加速度和公路移动机器人自身状态判断存在行人轨迹与公路机器人轨迹存在碰撞时，采用避让措施。
在一种可能的实施方式中，所述避让措施包括：基于实时的点云数据获取公路移动机器人相对道路边界的位置，基于边界位置和道路属性确定所在车道和目标车道；基于确定的所在车道和目标车道进行变道；其中，实时的点云数据获取公路移动机器人相对道路边界的位置包括：滤除路面点云数据，保留边界点云数据；将边界点云数据投影转换为二值化的第一二维图像；对第一二维图像进行连续性处理获取第二二维图像，对第二二维图像采用逐行扫描算法来确定边界点的图像坐标；滤除路面点云数据，保留边界点云数据包括：对数据进行预处理，滤除孤立噪点；基于路面点云数据和边界点云数据高度特征从圆周方向和径向方向进行滤波处理，滤除路面点云数据保留边界点云数据；所述基于确定的所在车道和目标车道进行变道包括：获取目标车道的并入路段；获取公路移动机器人与所述并入路段的距离；判断所述距离是否小于或者等于预设阈值；若距离小于或者等于所述预设阈值，公路移动机器人并入所述目标车道。
作为本申请的第二方面，还提供了一种基于移动测量点云数据进行行人跟踪的系统，包括数据提取模块、状态提取模块和跟踪模块，其中所述数据提取模块用于从点云数据中识别和提取行人的点云数据；所述状态提取模块基于提取的行人的点云数据获取行人的位置和状态；基于行人相邻的位置和状态确定行人的速度和加速度；所述跟踪模块用于基于行人的速度、加速度和公路移动机器人自身状态判断有效的行人跟踪目标并对有效的行人跟踪目标进行跟踪。
在一种可能的实施方式中，所述从点云数据中识别和提取行人的点云数据包括：点云预处理，基于测量范围对点云进行分割，确定行人点云数据的范围。
在一种可能的实施方式中，所述基于测量范围对点云进行分割，确定行人点云数据的范围包括：通过KD-tree建立行人点云数据范围内的离散点之间的拓扑关系；建立一个空的聚类列表P，一个待处理队列L，一个空的过渡聚类队列并将行人点云数据范围内的中的每一个点都加入待处理队列L；对于L中的第i个点，搜索在这个点周围半径为r＜Sd的邻域，并将搜索到的点保存在过渡聚类队列/>中，其中，k为过渡聚类的序号，对于生成的第一个过渡聚类k＝1；计算它们与点之间的欧几里得距离，其中，欧几里得距离最小的点被分到同一类中，并存储在列表P中，重复该步骤，直到处理完L中的所有点；计算列表P中所有聚类之间的欧几里得距离，并将具有最小欧几里得距离的聚类归为同一聚类，重复该过程，直到列表P中所有聚类之间的欧几里得距离均大于距离阈值Sd；计算各个聚类点的尺寸，基于聚类点尺寸确定行人的点云数据。
在一种可能的实施方式中，当基于有效的行人跟踪目标的速度、加速度和公路移动机器人自身状态判断存在行人轨迹与公路机器人轨迹存在碰撞时，采用避让措施。
在一种可能的实施方式中，所述避让措施包括：基于实时的点云数据获取公路移动机器人相对道路边界的位置，基于边界位置和道路属性确定所在车道和目标车道；基于确定的所在车道和目标车道进行变道；其中，实时的点云数据获取公路移动机器人相对道路边界的位置包括：滤除路面点云数据，保留边界点云数据；将边界点云数据投影转换为二值化的第一二维图像；对第一二维图像进行连续性处理获取第二二维图像，对第二二维图像采用逐行扫描算法来确定边界点的图像坐标；滤除路面点云数据，保留边界点云数据包括：对数据进行预处理，滤除孤立噪点；基于路面点云数据和边界点云数据高度特征从圆周方向和径向方向进行滤波处理，滤除路面点云数据保留边界点云数据；所述基于确定的所在车道和目标车道进行变道包括：获取目标车道的并入路段；获取公路移动机器人与所述并入路段的距离；判断所述距离是否小于或者等于预设阈值；若距离小于或者等于所述预设阈值，公路移动机器人并入所述目标车道。
(三)有益效果
通过从采集的点云数据中对行人的点云数据进行分离，通过分离的出来的行人的点云数据进行分析，达到了对行人进行识别跟踪的效果，从而使公路移动机器人适用于城市的街道、建筑的点云数据采集，避免使用公路移动机器人搭载和采用毫米波和其他跟踪系统的硬件手段从而降低了数据采集成本，实现了无人化采集。
本申请的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本申请的实践中得到教导。本申请的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
以下参考附图描述的实施例是示例性的，旨在用于解释和说明本申请，而不能理解为对本申请的保护范围的限制。
图1是本申请系统流程图；
图2是本申请系统结构图；
其中：1、数据提取模块；2、状态提取模块；3、跟踪模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的上述描述中，需要说明的是，术语“一侧”、“另一侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“相同”等术语并不表示要求部件绝对相同，而是可以存在微小的差异。术语“垂直”仅仅是指部件之间的位置关系相对“平行”而言更加垂直，并不是表示该结构一定要完全垂直，而是可以稍微倾斜。
如图1所示，本实施例提供了一种基于移动测量点云数据进行行人跟踪的方法，包括如下步骤：从点云数据中识别和提取行人的点云数据；基于提取的行人的点云数据获取行人的位置和状态；基于行人相邻的位置和状态确定行人的速度和加速度；基于行人的速度、加速度和公路移动机器人自身状态判断有效的行人跟踪目标并对有效的行人跟踪目标进行跟踪。所述有效目标包括在行进的道路上在测试距离范围之类的目标，和存在碰撞风险的目标，例如，行人方向是远离公路移动机器人的方向，即使折返靠近公路移动机器人也不会发生碰撞，这样的行人不是属于有效目标。所述从点云数据中识别和提取行人的点云数据包括：点云预处理，基于测量范围对点云进行分割，确定行人点云数据的范围。所述基于测量范围对点云进行分割，确定行人点云数据的范围包括：通过KD-tree建立行人点云数据范围内的离散点之间的拓扑关系；建立一个空的聚类列表P，一个待处理队列L，一个空的过渡聚类队列并将行人点云数据范围内的中的每一个点都加入待处理队列L；对于L中的第i个点，搜索在这个点周围半径为r＜Sd的邻域，并将搜索到的点保存在过渡聚类队列/>中，其中，k为过渡聚类的序号，对于生成的第一个过渡聚类k＝1；计算它们与点之间的欧几里得距离，其中，欧几里得距离最小的点被分到同一类中，并存储在列表P中，重复该步骤，直到处理完L中的所有点；计算列表P中所有聚类之间的欧几里得距离，并将具有最小欧几里得距离的聚类归为同一聚类，重复该过程，直到列表P中所有聚类之间的欧几里得距离均大于距离阈值Sd；计算各个聚类点的尺寸，基于聚类点尺寸确定行人的点云数据。
当基于有效的行人跟踪目标的速度、加速度和公路移动机器人自身状态判断存在行人轨迹与公路机器人轨迹存在碰撞时，采用避让措施，这里的避让措施是在判断有碰撞的危险后计算选择目标车道并进行变道避让。所述避让措施包括：基于实时的点云数据获取公路移动机器人相对道路边界的位置，基于边界位置和道路属性确定所在车道和目标车道，例如：当判断向右变道可以在不检索的情况下实现避让，则提取公路移动机器人相对道路边界的位置，然后根据与其中一条边界的位置和当前路段的道路属性来确定向右变道是否可行。如果向右与道路边界之间距离足够一个车道，而当前道路属性显示确实有一个车道，则就判断当前车道为目标车道。道路属性包括双向四车道和单向车道等。基于确定的所在车道和目标车道进行变道；其中，实时的点云数据获取公路移动机器人相对道路边界的位置包括：滤除路面点云数据，保留边界点云数据；将边界点云数据投影转换为二值化的第一二维图像；对第一二维图像进行连续性处理获取第二二维图像，对第二二维图像采用逐行扫描算法来确定边界点的图像坐标。滤除路面点云数据，保留边界点云数据包括：对数据进行预处理，滤除孤立噪点；基于路面点云数据和边界点云数据高度特征从圆周方向和径向方向进行滤波处理，滤除路面点云数据保留边界点云数据；所述基于确定的所在车道和目标车道进行变道包括：获取目标车道的并入路段；获取公路移动机器人与所述并入路段的距离；判断所述距离是否小于或者等于预设阈值；若距离小于或者等于所述预设阈值，公路移动机器人并入所述目标车道。若否则重新选择目标车道进行变道或采用降速等候变道的公路移动机器人与所述并入路段的距离小于或者等于预设阈值。
通过从采集的点云数据中对行人的点云数据进行分离，通过分离的出来的行人的点云数据进行分析，达到了对行人进行识别跟踪的效果，从而使公路移动机器人适用于城市的街道、建筑的点云数据采集，避免使用公路移动机器人搭载和采用毫米波和其他跟踪系统的硬件手段从而降低了数据采集成本，实现了无人化采集。
如图2作为本申请的第二方面，还提供了一种基于移动测量点云数据进行行人跟踪的系统，包括数据提取模块1、状态提取模块2和跟踪模块3，其中所述数据提取模块用于从点云数据中识别和提取行人的点云数据；所述状态提取模块基于提取的行人的点云数据获取行人的位置和状态；基于行人相邻的位置和状态确定行人的速度和加速度；所述跟踪模块用于基于行人的速度、加速度和公路移动机器人自身状态判断有效的行人跟踪目标并对有效的行人跟踪目标进行跟踪。所述从点云数据中识别和提取行人的点云数据包括：点云预处理，基于测量范围对点云进行分割，确定行人点云数据的范围。所述基于测量范围对点云进行分割，确定行人点云数据的范围包括：通过KD-tree建立行人点云数据范围内的离散点之间的拓扑关系；建立一个空的聚类列表P，一个待处理队列L，一个空的过渡聚类队列并将行人点云数据范围内的中的每一个点都加入待处理队列L；对于L中的第i个点，搜索在这个点周围半径为r＜Sd的邻域，并将搜索到的点保存在过渡聚类队列/>中，其中，k为过渡聚类的序号，对于生成的第一个过渡聚类k＝1；计算它们与点之间的欧几里得距离，其中，欧几里得距离最小的点被分到同一类中，并存储在列表P中，重复该步骤，直到处理完L中的所有点；计算列表P中所有聚类之间的欧几里得距离，并将具有最小欧几里得距离的聚类归为同一聚类，重复该过程，直到列表P中所有聚类之间的欧几里得距离均大于距离阈值Sd；计算各个聚类点的尺寸，基于聚类点尺寸确定行人的点云数据。
当基于有效的行人跟踪目标的速度、加速度和公路移动机器人自身状态判断存在行人轨迹与公路机器人轨迹存在碰撞时，采用避让措施。所述避让措施包括：基于实时的点云数据获取公路移动机器人相对道路边界的位置，基于边界位置和道路属性确定所在车道和目标车道；基于确定的所在车道和目标车道进行变道；其中，实时的点云数据获取公路移动机器人相对道路边界的位置包括：滤除路面点云数据，保留边界点云数据；将边界点云数据投影转换为二值化的第一二维图像；对第一二维图像进行连续性处理获取第二二维图像，对第二二维图像采用逐行扫描算法来确定边界点的图像坐标。滤除路面点云数据，保留边界点云数据包括：对数据进行预处理，滤除孤立噪点；基于路面点云数据和边界点云数据高度特征从圆周方向和径向方向进行滤波处理，滤除路面点云数据保留边界点云数据；所述基于确定的所在车道和目标车道进行变道包括：获取目标车道的并入路段；获取公路移动机器人与所述并入路段的距离；判断所述距离是否小于或者等于预设阈值；若距离小于或者等于所述预设阈值，公路移动机器人并入所述目标车道。
最后说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或者等同替换，而不脱离本申请技术方案的宗旨和范围，其均应涵盖在本申请的权利要求范围当中。
Claims (6)
1.一种基于移动测量点云数据进行行人跟踪的方法，其特征在于，包括如下步骤：
从点云数据中识别和提取行人的点云数据；基于提取的行人的点云数据获取行人的位置和状态；基于行人相邻的位置和状态确定行人的速度和加速度；基于行人的速度、加速度和公路移动机器人自身状态判断有效的行人跟踪目标并对有效的行人跟踪目标进行跟踪；
当基于有效的行人跟踪目标的速度、加速度和公路移动机器人自身状态判断存在行人轨迹与公路机器人轨迹存在碰撞时，采用避让措施，所述避让措施包括：基于实时的点云数据获取公路移动机器人相对道路边界的位置，基于边界位置和道路属性确定所在车道和目标车道；基于确定的所在车道和目标车道进行变道；
其中，实时的点云数据获取公路移动机器人相对道路边界的位置包括：滤除路面点云数据，保留边界点云数据；将边界点云数据投影转换为二值化的第一二维图像；对第一二维图像进行连续性处理获取第二二维图像，对第二二维图像采用逐行扫描算法来确定边界点的图像坐标；
滤除路面点云数据，保留边界点云数据包括：对数据进行预处理，滤除孤立噪点；基于路面点云数据和边界点云数据高度特征从圆周方向和径向方向进行滤波处理，滤除路面点云数据保留边界点云数据；
所述基于确定的所在车道和目标车道进行变道包括：获取目标车道的并入路段；获取公路移动机器人与所述并入路段的距离；判断所述距离是否小于或者等于预设阈值；若距离小于或者等于所述预设阈值，公路移动机器人并入所述目标车道。
2.根据权利要求1所述的一种基于移动测量点云数据进行行人跟踪的方法，其特征在于，所述从点云数据中识别和提取行人的点云数据包括：点云预处理，基于测量范围对点云进行分割，确定行人点云数据的范围。
3.根据权利要求2所述的一种基于移动测量点云数据进行行人跟踪的方法，其特征在于，所述基于测量范围对点云进行分割，确定行人点云数据的范围包括：通过KD-tree建立行人点云数据范围内的离散点之间的拓扑关系；建立一个空的聚类列表P，一个待处理队列L，一个空的过渡聚类队列，并将行人点云数据范围内的中的每一个点都加入待处理队列L；对于L中的第i个点，搜索在这个点周围半径为/>的邻域，并将搜索到的点保存在过渡聚类队列/>中，其中，k为过渡聚类的序号，对于生成的第一个过渡聚类k=1；计算它们与点之间的欧几里得距离，其中，欧几里得距离最小的点被分到同一类中，并存储在列表P中，重复该步骤，直到处理完L中的所有点；计算列表 P中所有聚类之间的欧几里得距离，并将具有最小欧几里得距离的聚类归为同一聚类，重复该过程，直到列表 P中所有聚类之间的欧几里得距离均大于距离阈值/>；计算各个聚类点的尺寸，基于聚类点尺寸确定行人的点云数据。
4.一种基于移动测量点云数据进行行人跟踪的系统，其特征在于，包括数据提取模块、状态提取模块和跟踪模块，其中所述数据提取模块用于从点云数据中识别和提取行人的点云数据；所述状态提取模块基于提取的行人的点云数据获取行人的位置和状态；基于行人相邻的位置和状态确定行人的速度和加速度；所述跟踪模块用于基于行人的速度、加速度和公路移动机器人自身状态判断有效的行人跟踪目标并对有效的行人跟踪目标进行跟踪；
当基于有效的行人跟踪目标的速度、加速度和公路移动机器人自身状态判断存在行人轨迹与公路机器人轨迹存在碰撞时，采用避让措施，所述避让措施包括：基于实时的点云数据获取公路移动机器人相对道路边界的位置，基于边界位置和道路属性确定所在车道和目标车道；基于确定的所在车道和目标车道进行变道；
其中，实时的点云数据获取公路移动机器人相对道路边界的位置包括：滤除路面点云数据，保留边界点云数据；将边界点云数据投影转换为二值化的第一二维图像；对第一二维图像进行连续性处理获取第二二维图像，对第二二维图像采用逐行扫描算法来确定边界点的图像坐标；
滤除路面点云数据，保留边界点云数据包括：对数据进行预处理，滤除孤立噪点；基于路面点云数据和边界点云数据高度特征从圆周方向和径向方向进行滤波处理，滤除路面点云数据保留边界点云数据；
所述基于确定的所在车道和目标车道进行变道包括：获取目标车道的并入路段；获取公路移动机器人与所述并入路段的距离；判断所述距离是否小于或者等于预设阈值；若距离小于或者等于所述预设阈值，公路移动机器人并入所述目标车道。
5.根据权利要求4所述的一种基于移动测量点云数据进行行人跟踪的系统，其特征在于，所述从点云数据中识别和提取行人的点云数据包括：点云预处理，基于测量范围对点云进行分割，确定行人点云数据的范围。
6.根据权利要求5所述的一种基于移动测量点云数据进行行人跟踪的系统，其特征在于，所述基于测量范围对点云进行分割，确定行人点云数据的范围包括：通过KD-tree建立行人点云数据范围内的离散点之间的拓扑关系；建立一个空的聚类列表P，一个待处理队列L，一个空的过渡聚类队列，并将行人点云数据范围内的中的每一个点都加入待处理队列L；对于L中的第i个点，搜索在这个点周围半径为/>的邻域，并将搜索到的点保存在过渡聚类队列/>中，其中，k为过渡聚类的序号，对于生成的第一个过渡聚类k=1；计算它们与点之间的欧几里得距离，其中，欧几里得距离最小的点被分到同一类中，并存储在列表P中，重复该步骤，直到处理完L中的所有点；计算列表 P中所有聚类之间的欧几里得距离，并将具有最小欧几里得距离的聚类归为同一聚类，重复该过程，直到列表 P中所有聚类之间的欧几里得距离均大于距离阈值/>；计算各个聚类点的尺寸，基于聚类点尺寸确定行人的点云数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211417808.0A CN115719364B (zh) | 2022-11-14 | 2022-11-14 | 一种基于移动测量点云数据进行行人跟踪的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211417808.0A CN115719364B (zh) | 2022-11-14 | 2022-11-14 | 一种基于移动测量点云数据进行行人跟踪的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115719364A CN115719364A (zh) | 2023-02-28 |
| CN115719364B true CN115719364B (zh) | 2023-09-08 |
Family
ID=85255055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211417808.0A Active CN115719364B (zh) | 2022-11-14 | 2022-11-14 | 一种基于移动测量点云数据进行行人跟踪的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115719364B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106384079A (zh) * | 2016-08-31 | 2017-02-08 | 东南大学 | 一种基于rgb‑d信息的实时行人跟踪方法 |
| US9633483B1 (en) * | 2014-03-27 | 2017-04-25 | Hrl Laboratories, Llc | System for filtering, segmenting and recognizing objects in unconstrained environments |
| CN110244322A (zh) * | 2019-06-28 | 2019-09-17 | 东南大学 | 基于多源传感器的路面施工机器人环境感知系统及方法 |
| CN110781891A (zh) * | 2019-11-28 | 2020-02-11 | 吉林大学 | 一种基于激光雷达传感器的识别车辆可行驶区域的方法 |
| CN111239766A (zh) * | 2019-12-27 | 2020-06-05 | 北京航天控制仪器研究所 | 基于激光雷达的水面多目标快速识别跟踪方法 |
| CN111340854A (zh) * | 2019-12-19 | 2020-06-26 | 南京理工大学 | 基于ICamshift算法的移动机器人目标跟踪方法 |
| CN112105956A (zh) * | 2019-10-23 | 2020-12-18 | 北京航迹科技有限公司 | 用于自动驾驶的系统和方法 |
| CN112907672A (zh) * | 2021-05-07 | 2021-06-04 | 上海擎朗智能科技有限公司 | 一种机器人的避让方法、装置、电子设备及存储介质 |
| CN113345237A (zh) * | 2021-06-29 | 2021-09-03 | 山东高速建设管理集团有限公司 | 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质 |
| CN114954525A (zh) * | 2022-05-25 | 2022-08-30 | 三峡大学 | 一种适用于磷矿开采巷道的无人驾驶运输车系统及运行方法 |
-
2022
- 2022-11-14 CN CN202211417808.0A patent/CN115719364B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9633483B1 (en) * | 2014-03-27 | 2017-04-25 | Hrl Laboratories, Llc | System for filtering, segmenting and recognizing objects in unconstrained environments |
| CN106384079A (zh) * | 2016-08-31 | 2017-02-08 | 东南大学 | 一种基于rgb‑d信息的实时行人跟踪方法 |
| CN110244322A (zh) * | 2019-06-28 | 2019-09-17 | 东南大学 | 基于多源传感器的路面施工机器人环境感知系统及方法 |
| CN112105956A (zh) * | 2019-10-23 | 2020-12-18 | 北京航迹科技有限公司 | 用于自动驾驶的系统和方法 |
| CN110781891A (zh) * | 2019-11-28 | 2020-02-11 | 吉林大学 | 一种基于激光雷达传感器的识别车辆可行驶区域的方法 |
| CN111340854A (zh) * | 2019-12-19 | 2020-06-26 | 南京理工大学 | 基于ICamshift算法的移动机器人目标跟踪方法 |
| CN111239766A (zh) * | 2019-12-27 | 2020-06-05 | 北京航天控制仪器研究所 | 基于激光雷达的水面多目标快速识别跟踪方法 |
| CN112907672A (zh) * | 2021-05-07 | 2021-06-04 | 上海擎朗智能科技有限公司 | 一种机器人的避让方法、装置、电子设备及存储介质 |
| CN113345237A (zh) * | 2021-06-29 | 2021-09-03 | 山东高速建设管理集团有限公司 | 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质 |
| CN114954525A (zh) * | 2022-05-25 | 2022-08-30 | 三峡大学 | 一种适用于磷矿开采巷道的无人驾驶运输车系统及运行方法 |
Non-Patent Citations (1)
| Title |
|---|
| 车辆驾驶中的行人检测专利技术分析;吕淼 等;《中国科技信息》;第1卷(第8期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115719364A (zh) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108345822B (zh) | 一种点云数据处理方法及装置 | |
| Huang et al. | Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads | |
| CN111045008B (zh) | 基于展宽计算的车载毫米波雷达目标识别方法 | |
| Nguyen et al. | Compensating background for noise due to camera vibration in uncalibrated-camera-based vehicle speed measurement system | |
| Setchell et al. | Vision-based road-traffic monitoring sensor | |
| CN113506318B (zh) | 一种车载边缘场景下的三维目标感知方法 | |
| JP2017129410A (ja) | 物体検出装置および物体検出方法 | |
| CN115049700A (zh) | 一种目标检测方法及装置 | |
| CN111856507B (zh) | 一种环境感测实现方法、智能移动设备和存储介质 | |
| CN113378751A (zh) | 一种基于dbscan算法的交通目标识别方法 | |
| CN113989784A (zh) | 一种基于车载激光点云的道路场景类型识别方法及系统 | |
| Sengupta et al. | Automatic radar-camera dataset generation for sensor-fusion applications | |
| CN112597839A (zh) | 基于车载毫米波雷达的道路边界检测方法 | |
| Anand et al. | Region of interest and car detection using lidar data for advanced traffic management system | |
| Yang et al. | On-road collision warning based on multiple FOE segmentation using a dashboard camera | |
| CN116524219A (zh) | 一种基于激光雷达点云聚类的障碍物检测方法 | |
| CN117130010B (zh) | 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车 | |
| CN115719364B (zh) | 一种基于移动测量点云数据进行行人跟踪的方法和系统 | |
| CN114973195A (zh) | 基于多信息融合的车辆追踪方法、装置及系统 | |
| CN115760898A (zh) | 一种混合高斯域下道路抛洒物的世界坐标定位方法 | |
| CN114577224A (zh) | 一种对象定位方法、装置、电子设备及存储介质 | |
| CN113820682A (zh) | 一种基于毫米波雷达的目标检测方法及装置 | |
| CN113514825A (zh) | 道路边缘的获取方法、装置和终端设备 | |
| CN114937212B (zh) | 基于频域空间转换的航拍道路类型识别方法 | |
| US11592565B2 (en) | Flexible multi-channel fusion perception |
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 |