CN115877373B - 结合激光雷达信息实现点云雷达聚类参数设计的方法 - Google Patents
结合激光雷达信息实现点云雷达聚类参数设计的方法 Download PDFInfo
- Publication number
- CN115877373B CN115877373B CN202310132563.5A CN202310132563A CN115877373B CN 115877373 B CN115877373 B CN 115877373B CN 202310132563 A CN202310132563 A CN 202310132563A CN 115877373 B CN115877373 B CN 115877373B
- Authority
- CN
- China
- Prior art keywords
- clustering
- point cloud
- threshold
- parameters
- radar
- 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
Images
Classifications
-
- 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
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种结合激光雷达信息实现点云雷达聚类参数设计的方法,其中,该方法包括:获取毫米波雷达点云数据;对获取到的点云数据计算聚类权重,得到经过权重缩放后的点云数据,并对其进行三维欧式聚类处理;将边界框与已知的激光雷达标注真值进行聚类结果的评测处理,以根据当前阈值参数获取的评测结果得到聚类效果的最优参数;根据设置的步长更改不同维度上数据的聚类阈值参数,并重复上述步骤,以根据每个阈值参数组合的评测结果,选取出不同阈值参数下的最优参数。本发明还涉及一种相应的装置、处理器及其存储介质。采用了本发明的该方法、装置、处理器及其存储介质,通过减小遍历参数时的范围和步长,达到更加精确化的参数设计效果。
Description
技术领域
本发明涉及激光雷达技术领域,尤其涉及点云雷达聚类参数技术领域,具体是指一种结合激光雷达信息实现点云雷达聚类参数设计的方法、装置、处理器及其计算机可读存储介质。
背景技术
在自动驾驶环境感知领域中,毫米波雷达传感器收集环境信息并生成点云数据,车辆在对点云数据进行处理后,达到感知周围环境的目的。在对点云数据的处理中,聚类算法最常用的目标检测算法。通过将点云在特征上的相似性,聚类算法将传感器获取的点云数据划分为不同的类。
在基于欧几里得距离度量的欧式聚类中,若点云空间中某一点与其邻近点小于给定的欧几里得距离阈值,则将该邻近点加入到集合A中,而后遍历A中所有点的邻近点,如若小于给定的欧几里得距离阈值,则加入到集合A中,直至集合A中的点数量不再增加。若集合A中点的数量大于给定的最小点数阈值且小于给定的最大点数阈值,则将集合A视为一个单独的类。这个类中的所有点即被视为现实环境中同一目标所生成的点云。传统的欧式聚类中,如何选取欧几里得距离阈值以及数量阈值非常重要,这两个阈值的选取关系到聚类效果的好坏。同时,传统的欧式聚类的距离阈值设定单一,无法实现在聚类过程中不同维度的数据所代表的不同的权重。例如,如果车辆横向维度和前进方向维度在聚类过程中的权重相等,则容易出现将两辆并排行驶的车辆合并为一辆车辆的情况。
发明内容
本发明的目的是克服了上述现有技术的缺点,提供了一种通过对不同参数下聚类性能的评估,给出最优的聚类参数的结合激光雷达信息实现点云雷达聚类参数设计的方法、装置、处理器及其计算机可读存储介质。
为了实现上述目的,本发明的结合激光雷达信息实现点云雷达聚类参数设计的方法、装置、处理器及其计算机可读存储介质如下:
该结合激光雷达信息实现点云雷达聚类参数设计的方法,其主要特点是,所述的方法包括以下步骤:
(1)获取毫米波雷达点云数据,并设置不同维度数据的聚类阈值参数、参数遍历范围以及步长;
(2)对获取到的点云数据计算聚类权重,以得到经过权重缩放后的点云数据;
(3)对经过权重缩放后的点云数据进行三维欧式聚类,从而生成带有目标点云数据的边界框,输出并保存所述的边界框;
(4)将所述的边界框与已知的激光雷达标注真值进行聚类结果的评测处理,以根据当前阈值参数获取的所有的评测结果得到聚类效果;
(5)根据设置的步长更改不同维度上数据的聚类阈值参数,并重复上述步骤(2)至(4),以根据每个阈值参数组合后得到的聚类效果的评测结果,选取出不同阈值参数下的最优参数。
较佳地,所述的步骤(1)具体为:
获取毫米波雷达点云数据,并根据采集点云的雷达传感器分别在x、y和v维度上的分辨率,设置点云分别在x、y和v维度上数据的聚类阈值参数和点云聚类最小点数阈值参数的遍历范围与步长。
较佳地,所述的步骤(2)具体包括以下步骤:
(2.1)根据点云在各个维度上数据设置的聚类阈值,将其中任一维度的聚类权重置为1,剩下两个维度的聚类阈值依照与所述的任一维度的比值,转化为相应的聚类权重,具体为:
;
(2.2)将点云各个维度上的信息除以其对应的聚类权重,得到进行权重缩放后的点云数据。
较佳地,所述的步骤(3)具体为:按照以下步骤计算进行权重缩放后的点云数据的三维欧式聚类结果:
(3.1)针对雷达点云中的预设点p,通过KD-Tree近邻搜索算法找到k个离所述的预设点p最近的点;
(3.2)将k个点中距离小于设置的聚类阈值参数的点聚类到集合Q中;
(3.3)判断所述的集合Q中的元素数目是否在增加,如果是,则进入步骤(3.4),否则,整个聚类过程结束;
(3.4)在所述的集合Q中选取除所述的预设点p以外的其他点,并重复上述步骤,直到所述的集合Q中的元素数目不再增加;
(3.5)将当前所述的集合Q中包含的元素目标以边界框BoundingBox包裹,生成带有目标点云数据的边界框BoundingBox;
(3.6)将聚类生成的所述的边界框BoundingBox进行输出并保存。
较佳地,所述的步骤(4)具体包括以下步骤:
(4.1)将计算得到的聚类结果边界框BoundingBox与已知的激光雷达标注的真值BoundingBox,分别在x、y平面投影形成的二维矩形框上计算交并比,具体为:
;
(4.2)若所述的交并比大于设置的交并比阈值,则视为检测正确,并记为一次正确预测;
(4.3)统计全部检测结果并根据激光雷达真值中包含的真值BoundingBox的数量,计算并记录代表聚类效果的准确率Pricision、召回率Recall以及平均精准度AP。
较佳地,所述的准确率Pricision按照以下公式进行计算:
;
所述的召回率Recall按照以下公式进行计算:
;
所述的平均精准度AP为Pricision-Recall曲线的下面积,在理想情况下为1,采用以下公式进行表示:
。
较佳地,所述的步骤(5)具体包括以下步骤:
(5.1)根据所述的步骤(1)设置的步长更改点云在x、y和v维度上数据的聚类阈值参数,并重复所述的步骤(2)至(4);
(5.2)将所有的阈值参数进行组合遍历,得到每个阈值参数组合的评测结果;
(5.3)根据所述的评测结果得到的聚类效果选取出所述的准确率Pricision、召回率Recall以及平均精准度AP最高的一组参数作为最优参数。
较佳地,所述的方法还包括:
在得到一组聚类参数的情况下,通过减小遍历的范围和步长的方式,再次遍历并统计评测结果,以根据更精准的阈值参数得到精度更高的一组参数。
该结合激光雷达信息实现点云雷达聚类参数设计的装置,其主要特点是,所述的装置包括:
处理器,被配置成执行计算机可执行指令;
存储器,存储一个或多个计算机可执行指令,所述计算机可执行指令被所述处理器执行时,实现上述所述的结合激光雷达信息实现点云雷达聚类参数设计的方法的各个步骤。
该结合激光雷达信息实现点云雷达聚类参数设计的处理器,其主要特点是,所述的处理器被配置成执行计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现上述所述的结合激光雷达信息实现点云雷达聚类参数设计的方法的各个步骤。
该计算机可读存储介质,其主要特点是,其上存储有计算机程序,所述的计算机程序可被处理器执行以实现上述所述的结合激光雷达信息实现点云雷达聚类参数设计的方法的各个步骤。
采用了本发明的该结合激光雷达信息实现点云雷达聚类参数设计的方法、装置、处理器及其计算机可读存储介质,与现有的方法相比,该方法可以有效的减少参数设计的不确定性,使参数设计更加的标准化,达到更优的聚类效果。同时,通过减小遍历参数时的范围和步长,可以调节各个聚类阈值参数的精度,以达到更加精确化的参数设计效果。不同维度的点云信息按照各自的阈值参数进行聚类,这种聚类方式更加灵活,能够更好地适应不同要求的聚类场景,具有较好的适用性。
附图说明
图1为本发明的结合激光雷达信息实现点云雷达聚类参数设计的方法的流程图。
具体实施方式
为了能够更清楚地描述本发明的技术内容,下面结合具体实施例来进行进一步的描述。
在详细说明根据本发明的实施例前,应该注意到的是,在下文中,术语“包括”、“包含”或任何其他变体旨在涵盖非排他性的包含,由此使得包括一系列要素的过程、方法、物品或者设备不仅包含这些要素,而且还包含没有明确列出的其他要素,或者为这种过程、方法、物品或者设备所固有的要素。
在详细说明本技术方案之前,现将本案所用到的关键术语和技术缩略语做出如下解释:
欧式聚类:一种基于欧氏距离度量的聚类算法。
BoundingBox:聚类形成的目标点云的边界框。
交并比:目标检测中使用的一个概念,是生成的边界框与真值边界框的交叠率,即它们的交集与并集的比值。最理想情况是完全重叠,即比值为1。
Pricision:准确率,表示预测结果中,预测为正样本的样本中,正确预测为正样本的概率。聚类效果越好,准确率越高,最理想的情况下准确率为1。在本专利中,准确率 = 正确预测的数量/聚类算法生成的BoundingBox的数量。
Recall:召回率,表示在原始样本的正样本中,最后被正确预测为正样本的概率。聚类效果越好,召回率越高,最理想的情况下召回率为1。在本专利中,准确率 = 正确预测的数量/激光雷达真值中BoundingBox的数量。
AP:平均精准度,代表Pricision-Recall曲线的下面积。聚类效果越好平均精准度越高,最理想的情况下为1。
请参阅图1所示,该结合激光雷达信息实现点云雷达聚类参数设计的方法,其中,所述的方法包括以下步骤:
(1)获取毫米波雷达点云数据,并设置不同维度数据的聚类阈值参数、参数遍历范围以及步长;
(2)对获取到的点云数据计算聚类权重,以得到经过权重缩放后的点云数据;
(3)对经过权重缩放后的点云数据进行三维欧式聚类,从而生成带有目标点云数据的边界框,输出并保存所述的边界框;
(4)将所述的边界框与已知的激光雷达标注真值进行聚类结果的评测处理,以根据当前阈值参数获取的所有的评测结果得到聚类效果;
(5)根据设置的步长更改不同维度上数据的聚类阈值参数,并重复上述步骤(2)至(4),以根据每个阈值参数组合后得到的聚类效果的评测结果,选取出不同阈值参数下的最优参数。
作为本发明的优选实施方式,所述的步骤(1)具体为:
获取毫米波雷达点云数据,并根据采集点云的雷达传感器分别在x、y和v维度上的分辨率,设置点云分别在x、y和v维度上数据的聚类阈值参数和点云聚类最小点数阈值参数的遍历范围与步长。例如:在实际的道路场景中,x、y和v维度上遍历范围的下界可以设置为行人目标在x与y维度上的尺寸与时速(如0.5、0.5和1)。而范围的上界可以设置为车辆目标在x与y维度上的尺寸与时速(如5、2.5和20)。各个维度步长的设置,可以设置为雷达传感器在各个维度分辨率大小的倍数(如,雷达传感器在x维度的分辨率为0.04,则可以将x维度的遍历步长设置为分辨率的5倍,即为0.2)。
作为本发明的优选实施方式,所述的步骤(2)具体包括以下步骤:
(2.1)根据点云在各个维度上数据设置的聚类阈值,将其中任一维度的聚类权重置为1,剩下两个维度的聚类阈值依照与所述的任一维度的比值,转化为相应的聚类权重,具体为:
;
(2.2)将点云各个维度上的信息除以其对应的聚类权重,得到进行权重缩放后的点云数据。
作为本发明的优选实施方式,所述的步骤(3)具体为:按照以下步骤计算进行权重缩放后的点云数据的三维欧式聚类结果:
(3.1)针对雷达点云中的预设点p,通过KD-Tree近邻搜索算法找到k个离所述的预设点p最近的点;
(3.2)将k个点中距离小于设置的聚类阈值参数的点聚类到集合Q中;
(3.3)判断所述的集合Q中的元素数目是否在增加,如果是,则进入步骤(3.4),否则,整个聚类过程结束;
(3.4)在所述的集合Q中选取除所述的预设点p以外的其他点,并重复上述步骤,直到所述的集合Q中的元素数目不再增加;
(3.5)将当前所述的集合Q中包含的元素目标以边界框BoundingBox包裹,生成带有目标点云数据的边界框BoundingBox;
(3.6)将聚类生成的所述的边界框BoundingBox进行输出并保存。
作为本发明的优选实施方式,所述的步骤(4)具体包括以下步骤:
(4.1)将计算得到的聚类结果边界框BoundingBox与已知的激光雷达标注的真值BoundingBox,分别在x、y平面投影形成的二维矩形框上计算交并比,具体为:
;
(4.2)若所述的交并比大于设置的交并比阈值,则视为检测正确,并记为一次正确预测;
(4.3)统计全部检测结果并根据激光雷达真值中包含的真值BoundingBox的数量,计算并记录代表聚类效果的准确率Pricision、召回率Recall以及平均精准度AP。
作为本发明的优选实施方式,所述的准确率Pricision按照以下公式进行计算:
;
所述的召回率Recall按照以下公式进行计算:
;
所述的平均精准度AP为Pricision-Recall曲线的下面积,在理想情况下为1,采用以下公式进行表示:
。
作为本发明的优选实施方式,所述的步骤(5)具体包括以下步骤:
(5.1)根据所述的步骤(1)设置的步长更改点云在x、y和v维度上数据的聚类阈值参数,并重复所述的步骤(2)至(4);
(5.2)将所有的阈值参数进行组合遍历,得到每个阈值参数组合的评测结果;
(5.3)根据所述的评测结果得到的聚类效果选取出所述的准确率Pricision、召回率Recall以及平均精准度AP最高的一组参数作为最优参数。
作为本发明的优选实施方式,所述的方法还包括:
在得到一组聚类参数的情况下,通过减小遍历的范围和步长的方式,再次遍历并统计评测结果,以根据更精准的阈值参数得到精度更高的一组参数。
在实际应用当中,本技术方案的雷达聚类参数设计主要包括:
1、获取毫米波雷达点云的数据,并依据采集点云的雷达传感器在x,y和v维度上的分辨率,并设置点云x、y和v维度上数据的聚类阈值参数和点云聚类最小点数阈值参数的遍历范围与步长。
2、对得到的点云数据进行处理:根据点云各个维度上数据的聚类阈值,将其中任一维度(例如:选取x维度)的聚类权重置为1,其他维度(y维度和v维度)的聚类阈值依照与该维度的比,转化为相应的聚类权重
。
最后,将点云各个维度上的信息除以其对应的聚类权重,得到进行权重缩放后的点云数据。
3、对经过上一步处理过后的点云数据在x、y和v三个维度上进行三维欧式聚类:对雷达点云中的某点p,通过KD-Tree近邻搜索算法找到k个离p点最近的点,这些点中距离小于设定阈值的便聚类到集合Q中。如果Q中元素的数目不在增加,整个聚类过程便结束;否则须在集合Q中选取p点以外的点,重复上述过程,直到Q中元素的数目不在增加为止。点集Q即为欧式聚类生成的目标,将每一个目标以边界框(BoundingBox)包裹。将聚类生成的BoundingBox输出并保存。
4、将得到的聚类结果与已知的激光雷达标注真值结果进行评测:计算聚类生成的BoundingBox与激光雷达标注的真值BoundingBox分别在xy平面上投影形成的二维矩形框的交并比(交并比 = 两个框的重合面积/两个框的相并面积)。
若交并比大于阈值(交并比阈值的一般约定为0.5,在实际过程中,可以通过人工对大量数据进行筛查以获得更好的阈值)则视为检测正确,记为一次正确预测。统计全部检测结果并根据激光雷达真值中真值BoundingBox的数量(激光雷达真值中包含真值BoundingBox的数量信息),计算和记录代表聚类效果的Pricision、Recall和AP。
Pricision = 正确预测的数量/聚类算法生成的BoundingBox的数量
Recall = 正确预测的数量/激光雷达真值中BoundingBox的数量
;
5、根据步骤1中设置的步长更改点云x、y和v维度上数据的聚类阈值参数,并重复2至4步。将所有阈值参数组合遍历,得到每个阈值参数组合的评测结果。根据评测结果选取出Pricision、Recall和AP最高的一组参数作为最优参数。
6、如果希望得到精度更高的阈值参数,可以在得到一组聚类参数的情况下,减小遍历的范围和步长,再次遍历并统计评测结果,得到精度更高的一组参数。
下面给出一个具体的实施案例,以更好的对本技术方案进行说明:
a)设置聚类阈值范围与步长:在点云数据的x维,y维和v维设置阈值参数范围为[0.5,4.5],步长为0.5。设置最小点数阈值参数范围为[3,11],步长为2。 设置最大点数阈值参数范围[1000,190],步长为10。
b)当x维,y维和v维的聚类阈值参数分别维1.0,0.5和1.5时,将x维的权重置1,则y维和v维数据在聚类时的权重分别为0.5和1.5。将点云数据各个维度的信息分别除以其所对应的权重,得到处理过后的点云数据。
c)对处理后的数据进行欧式聚类,将聚类生成的BoundingBox输出。
d)设定平测时的交并比阈值为0.5,将生成的BoundingBox与激光雷达真值BoundingBox进行评测。对于每个聚类得到的BoundingBox,计算与其对应的真值BoundingBox的交并比。若计算得到交并比大于0.5,则将这个聚类框认定为正确目标。统计整体的聚类结果并计算和记录Pricision、Recall和 AP。
e)按照设定的步长更改参数,按照设定的参数范围和步长,一共可以得到10×10×10×5×10共50000种参数组合及其对应的评测结果。对比评测结果从中选取最好的一组参数。
f)假设最优的一组参数为2.0、1.0、2.5、7和150,则可以缩小参数遍历范围与步长再次遍历以提高精度。在点云数据的x维设置阈值参数范围为[1.5,2.5],步长为0.1。y维设置阈值参数范围为[0.5,1.5],步长为0.1。v维设置阈值参数范围为[2.0,3.0],步长为0.1。设置最小点数阈值参数范围为[5,9],步长为1。设置最大点数阈值参数范围[140,160],步长为2。再次遍历之后就得到了精度更高的一组阈值参数。
该结合激光雷达信息实现点云雷达聚类参数设计的装置,其中,所述的装置包括:
处理器,被配置成执行计算机可执行指令;
存储器,存储一个或多个计算机可执行指令,所述计算机可执行指令被所述处理器执行时,实现上述所述的结合激光雷达信息实现点云雷达聚类参数设计的方法的各个步骤。
该结合激光雷达信息实现点云雷达聚类参数设计的处理器,其中,所述的处理器被配置成执行计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现上述所述的结合激光雷达信息实现点云雷达聚类参数设计的方法的各个步骤。
该计算机可读存储介质,其中,其上存储有计算机程序,所述的计算机程序可被处理器执行以实现上述所述的结合激光雷达信息实现点云雷达聚类参数设计的方法的各个步骤。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的,程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一实施例”、“一些实施例”、“示例”、“具体示例”、或“实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
采用了本发明的该结合激光雷达信息实现点云雷达聚类参数设计的方法、装置、处理器及其计算机可读存储介质,与现有的方法相比,该方法可以有效的减少参数设计的不确定性,使参数设计更加的标准化,达到更优的聚类效果。同时,通过减小遍历参数时的范围和步长,可以调节各个聚类阈值参数的精度,以达到更加精确化的参数设计效果。不同维度的点云信息按照各自的阈值参数进行聚类,这种聚类方式更加灵活,能够更好地适应不同要求的聚类场景,具有较好的适用性。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (11)
1.一种结合激光雷达信息实现点云雷达聚类参数设计的方法,其特征在于,所述的方法包括以下步骤:
(1)获取毫米波雷达点云数据,并设置不同维度数据的聚类阈值参数、参数遍历范围以及步长;
(2)对获取到的点云数据计算聚类权重,以得到经过权重缩放后的点云数据;
(3)对经过权重缩放后的点云数据进行三维欧式聚类,从而生成带有目标点云数据的边界框,输出并保存所述的边界框;
(4)将所述的边界框与已知的激光雷达标注真值进行聚类结果的评测处理,以根据当前阈值参数获取的所有的评测结果得到聚类效果;
(5)根据设置的步长更改不同维度上数据的聚类阈值参数,并重复上述步骤(2)至(4),以根据每个阈值参数组合后得到的聚类效果的评测结果,选取出不同阈值参数下的最优参数。
2.根据权利要求1所述的结合激光雷达信息实现点云雷达聚类参数设计的方法,其特征在于,所述的步骤(1)具体为:
获取毫米波雷达点云数据,并根据采集点云的雷达传感器分别在x、y和v维度上的分辨率,设置点云分别在x、y和v维度上数据的聚类阈值参数和点云聚类最小点数阈值参数的遍历范围与步长。
3.根据权利要求2所述的结合激光雷达信息实现点云雷达聚类参数设计的方法,其特征在于,所述的步骤(2)具体包括以下步骤:
(2.1)根据点云在各个维度上数据设置的聚类阈值,将其中任一维度的聚类权重置为1,剩下两个维度的聚类阈值依照与所述的任一维度的比值,转化为相应的聚类权重,具体为:
;
(2.2)将点云各个维度上的信息除以其对应的聚类权重,得到进行权重缩放后的点云数据。
4.根据权利要求3所述的结合激光雷达信息实现点云雷达聚类参数设计的方法,其特征在于,所述的步骤(3)具体为:按照以下步骤计算进行权重缩放后的点云数据的三维欧式聚类结果:
(3.1)针对雷达点云中的预设点p,通过KD-Tree近邻搜索算法找到k个离所述的预设点p最近的点;
(3.2)将k个点中距离小于设置的聚类阈值参数的点聚类到集合Q中;
(3.3)判断所述的集合Q中的元素数目是否在增加,如果是,则进入步骤(3.4),否则,整个聚类过程结束;
(3.4)在所述的集合Q中选取除所述的预设点p以外的其他点,并重复上述步骤,直到所述的集合Q中的元素数目不再增加;
(3.5)将当前所述的集合Q中包含的元素目标以边界框BoundingBox包裹,生成带有目标点云数据的边界框BoundingBox;
(3.6)将聚类生成的所述的边界框BoundingBox进行输出并保存。
5.根据权利要求4所述的结合激光雷达信息实现点云雷达聚类参数设计的方法,其特征在于,所述的步骤(4)具体包括以下步骤:
(4.1)将计算得到的聚类结果边界框BoundingBox与已知的激光雷达标注的真值BoundingBox,分别在x、y平面投影形成的二维矩形框上计算交并比,具体为:
;
(4.2)若所述的交并比大于设置的交并比阈值,则视为检测正确,并记为一次正确预测;
(4.3)统计全部检测结果并根据激光雷达真值中包含的真值BoundingBox的数量,计算并记录代表聚类效果的准确率Pricision、召回率Recall以及平均精准度AP。
6.根据权利要求5所述的结合激光雷达信息实现点云雷达聚类参数设计的方法,其特征在于,
所述的准确率Pricision按照以下公式进行计算:
;
所述的召回率Recall按照以下公式进行计算:
;
所述的平均精准度AP为Pricision-Recall曲线的下面积,在理想情况下为1,采用以下公式进行表示:
。
7.根据权利要求6所述的结合激光雷达信息实现点云雷达聚类参数设计的方法,其特征在于,所述的步骤(5)具体包括以下步骤:
(5.1)根据所述的步骤(1)设置的步长更改点云在x、y和v维度上数据的聚类阈值参数,并重复所述的步骤(2)至(4);
(5.2)将所有的阈值参数进行组合遍历,得到每个阈值参数组合的评测结果;
(5.3)根据所述的评测结果得到的聚类效果选取出所述的准确率Pricision、召回率Recall以及平均精准度AP最高的一组参数作为最优参数。
8.根据权利要求1至7中任一项所述的结合激光雷达信息实现点云雷达聚类参数设计的方法,其特征在于,所述的方法还包括:
在得到一组聚类参数的情况下,通过减小遍历的范围和步长的方式,再次遍历并统计评测结果,以根据更精准的阈值参数得到精度更高的一组参数。
9.一种结合激光雷达信息实现点云雷达聚类参数设计的装置,其特征在于,所述的装置包括:
处理器,被配置成执行计算机可执行指令;
存储器,存储一个或多个计算机可执行指令,所述计算机可执行指令被所述处理器执行时,实现权利要求1至7中任一项所述的结合激光雷达信息实现点云雷达聚类参数设计的方法的各个步骤。
10.一种结合激光雷达信息实现点云雷达聚类参数设计的处理器,其特征在于,所述的处理器被配置成执行计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现权利要求1至7中任一项所述的结合激光雷达信息实现点云雷达聚类参数设计的方法的各个步骤。
11.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述的计算机程序可被处理器执行以实现权利要求1至7中任一项所述的结合激光雷达信息实现点云雷达聚类参数设计的方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132563.5A CN115877373B (zh) | 2023-02-20 | 2023-02-20 | 结合激光雷达信息实现点云雷达聚类参数设计的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132563.5A CN115877373B (zh) | 2023-02-20 | 2023-02-20 | 结合激光雷达信息实现点云雷达聚类参数设计的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115877373A CN115877373A (zh) | 2023-03-31 |
CN115877373B true CN115877373B (zh) | 2023-04-28 |
Family
ID=85761304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310132563.5A Active CN115877373B (zh) | 2023-02-20 | 2023-02-20 | 结合激光雷达信息实现点云雷达聚类参数设计的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115877373B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111158015A (zh) * | 2019-12-31 | 2020-05-15 | 飞燕航空遥感技术有限公司 | 机载激光雷达点云数据误分地面点的检测方法和系统 |
CN112241750A (zh) * | 2019-07-18 | 2021-01-19 | 普天信息技术有限公司 | 一种面向三维点云数据的物体模板框获取方法和装置 |
CN112526513A (zh) * | 2021-02-10 | 2021-03-19 | 北方工业大学 | 基于聚类算法的毫米波雷达环境地图构建方法及装置 |
US11397242B1 (en) * | 2021-02-23 | 2022-07-26 | Tsinghua University | 3D object detection method based on multi-view feature fusion of 4D RaDAR and LiDAR point clouds |
CN114973191A (zh) * | 2022-05-12 | 2022-08-30 | 桂林电子科技大学 | 基于点云密度和间距的动态阈值确定方法及欧式聚类方法 |
CN114994684A (zh) * | 2022-06-01 | 2022-09-02 | 湖南大学无锡智能控制研究院 | 多雷达数据融合的扬尘场景下障碍物检测方法与系统 |
CN115293287A (zh) * | 2022-08-22 | 2022-11-04 | 西安电子科技大学芜湖研究院 | 一种基于车载雷达的对目标进行聚类的方法、存储器及电子装置 |
WO2023284705A1 (zh) * | 2021-07-13 | 2023-01-19 | 华为技术有限公司 | 一种激光雷达点云聚类方法、装置、激光雷达及车辆 |
-
2023
- 2023-02-20 CN CN202310132563.5A patent/CN115877373B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241750A (zh) * | 2019-07-18 | 2021-01-19 | 普天信息技术有限公司 | 一种面向三维点云数据的物体模板框获取方法和装置 |
CN111158015A (zh) * | 2019-12-31 | 2020-05-15 | 飞燕航空遥感技术有限公司 | 机载激光雷达点云数据误分地面点的检测方法和系统 |
CN112526513A (zh) * | 2021-02-10 | 2021-03-19 | 北方工业大学 | 基于聚类算法的毫米波雷达环境地图构建方法及装置 |
US11397242B1 (en) * | 2021-02-23 | 2022-07-26 | Tsinghua University | 3D object detection method based on multi-view feature fusion of 4D RaDAR and LiDAR point clouds |
WO2023284705A1 (zh) * | 2021-07-13 | 2023-01-19 | 华为技术有限公司 | 一种激光雷达点云聚类方法、装置、激光雷达及车辆 |
CN114973191A (zh) * | 2022-05-12 | 2022-08-30 | 桂林电子科技大学 | 基于点云密度和间距的动态阈值确定方法及欧式聚类方法 |
CN114994684A (zh) * | 2022-06-01 | 2022-09-02 | 湖南大学无锡智能控制研究院 | 多雷达数据融合的扬尘场景下障碍物检测方法与系统 |
CN115293287A (zh) * | 2022-08-22 | 2022-11-04 | 西安电子科技大学芜湖研究院 | 一种基于车载雷达的对目标进行聚类的方法、存储器及电子装置 |
Non-Patent Citations (3)
Title |
---|
Extraction of power lines from laser point cloud based on residual clustering method;MA Weifeng 等;Acta Geodaetica et Cartographica Sinica;全文 * |
基于改进DBSCAN算法的岩体结构面智能识别方法;李胜 等;隧道与地下工程灾害防治;全文 * |
基于欧几里得聚类算法的三维激光雷达障碍物检测技术;宗长富 等;吉林大学学报(工学版)(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115877373A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111886603B (zh) | 用于目标检测和表征的神经网络 | |
US9738278B2 (en) | Creation of an obstacle map | |
CN112526513B (zh) | 基于聚类算法的毫米波雷达环境地图构建方法及装置 | |
CN113412505B (zh) | 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的处理单元和方法 | |
Hinz | Detection and counting of cars in aerial images | |
CN115017742B (zh) | 自动驾驶测试场景生成方法、装置、设备及存储介质 | |
CN115731533A (zh) | 一种基于改进YOLOv5的车载目标检测方法 | |
CN114080629A (zh) | 点云中的对象检测 | |
CN114002658B (zh) | 基于点迹曲线关联曲线分离的雷达目标微动特征提取方法 | |
CN113970734B (zh) | 路侧多线激光雷达降雪噪点去除方法、装置及设备 | |
CN115273017A (zh) | 基于Yolov5交通标志检测识别模型训练方法及系统 | |
CN110796230A (zh) | 卷积神经网络的训练及使用方法、设备及存储介质 | |
WO2023273467A1 (zh) | 真值数据确定、神经网络训练、行驶控制方法及装置 | |
CN115100616A (zh) | 点云目标检测方法、装置、电子设备及存储介质 | |
CN115877373B (zh) | 结合激光雷达信息实现点云雷达聚类参数设计的方法 | |
CN114882701A (zh) | 车位检测方法、装置、电子设备及机器可读存储介质 | |
JP7418476B2 (ja) | 運転可能な領域情報を決定するための方法及び装置 | |
CN114495041A (zh) | 车辆与目标物之间距离的测量方法、装置、设备及介质 | |
JP2022513781A (ja) | ターゲット属性検出、ニューラルネットワークトレーニング及びインテリジェント走行方法、装置 | |
CN110716209B (zh) | 地图构建方法、设备及存储装置 | |
CN117269952A (zh) | 一种4d成像毫米波雷达动目标点云半自动标注方法及装置 | |
CN115953430B (zh) | 基于改进的批量样本损失函数的视频单目标跟踪方法及系统 | |
CN115810105A (zh) | 一种全景分割方法、装置、设备及存储介质 | |
CN116863325A (zh) | 一种用于多个目标检测的方法和相关产品 | |
CN115542346A (zh) | 地面检测方法、装置、车辆及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |