CN116071678A - 目标物体的状态识别方法、电子设备和存储介质 - Google Patents

目标物体的状态识别方法、电子设备和存储介质 Download PDF

Info

Publication number
CN116071678A
CN116071678A CN202211679449.6A CN202211679449A CN116071678A CN 116071678 A CN116071678 A CN 116071678A CN 202211679449 A CN202211679449 A CN 202211679449A CN 116071678 A CN116071678 A CN 116071678A
Authority
CN
China
Prior art keywords
point cloud
target object
cloud clusters
optimal separation
clusters
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
CN202211679449.6A
Other languages
English (en)
Inventor
吴伟
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.)
DeepRoute AI Ltd
Original Assignee
DeepRoute AI 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 DeepRoute AI Ltd filed Critical DeepRoute AI Ltd
Priority to CN202211679449.6A priority Critical patent/CN116071678A/zh
Publication of CN116071678A publication Critical patent/CN116071678A/zh
Pending legal-status Critical Current

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
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种目标物体的状态识别方法。该方法包括获取所述目标物体的连续的两帧点云簇；对所述两帧点云簇进行线性判别式分析操作，以得到相应的分析结果；依据所述分析结果，确定所述目标物体的运动状态。本申请还公开了电子设备和存储介质。本申请通过获取目标物体的连续的两帧点云簇，对两帧点云簇进行线性判别式分析操作，以得到相应的分析结果，进而依据分析结果，以实现低成本和更鲁棒地识别目标物体的运动状态。

Description

目标物体的状态识别方法、电子设备和存储介质
技术领域
本申请的所公开实施例涉及点云处理技术领域，且更具体而言，涉及一种目标物体的状态识别方法、电子设备和存储介质。
背景技术
点云数据通常由雷达传感器获得，可以通过相应的点云数据来确定运动目标。如，在无人驾驶领域中，感知系统的主要任务就要利用雷达传感器采集点云数据来感知目标的位置，速度，类别，行为预测等信息，其中最重要的是对运动目标的检测和跟踪。如果对运动目标的感知出现了错误，比如将静止的目标A识别成了动态的，则无人驾驶后续的轨迹规划模块就可能会规划到A位置的轨迹，从而导致交通事故，同理，如果将动态的目标识别成了静态的，则可能会导致急刹车从而影响乘车体验。
发明内容
根据本申请的实施例，本申请提出一种目标物体的状态识别方法、电子设备和存储介质，以实现低成本和更鲁棒地识别目标物体的运动状态。
本申请的第一方面公开了目标物体的状态识别方法，包括：获取所述目标物体的连续的两帧点云簇；对所述两帧点云簇进行线性判别式分析操作，以得到相应的分析结果；依据所述分析结果，确定所述目标物体的运动状态。
在一些实施例中，所述分析结果包括所述两帧点云簇之间的最佳分离直线；所述对所述两帧点云簇进行线性判别式分析操作，以得到相应的分析结果，包括：获取所述两帧点云簇之间的类内散度矩阵和类间散度矩阵；依据所述类内散度矩阵和所述类间散度矩阵，获取所述类内散度矩阵和所述类间散度矩阵对应的特征矩阵；获取所述特征矩阵的最大特征值对应的特征，以将所述特征的方向用于表征所述最佳分离直线的方向；所述依据所述分析结果，确定所述目标物体的运动状态，包括：依据所述两帧点云簇之间的最佳分离直线，获取所述最佳分离直线对应的结果值；将所述结果值与相应的预设值进行对比，以确定所述目标物体的运动状态。
在一些实施例中，所述最佳分离直线对应的结果值包括所述最佳分离直线对应的广义瑞利商和所述两帧点云簇在所述最佳分离直线的方向上的交并比中的至少一个。
在一些实施例中，所述最佳分离直线对应的结果值包括所述最佳分离直线对应的广义瑞利商；依据所述两帧点云簇之间的最佳分离直线，获取所述最佳分离直线对应的结果值，包括：依据所述类内散度矩阵、所述类间散度矩阵以及所述特征，获取所述最佳分离直线对应的广义瑞利商；将所述结果值与相应的预设值进行对比，以确定所述目标物体的运动状态，包括：将所述广义瑞利商与相应的预设值进行比较，以确定所述目标物体的运动状态。
在一些实施例中，所述最佳分离直线对应的结果值包括所述两帧点云簇在所述最佳分离直线的方向上的交并比；依据所述两帧点云簇之间的最佳分离直线，获取所述最佳分离直线对应的结果值，包括：获取所述两帧点云簇在所述最佳分离直线的方向上的两帧一维点云簇；依据所述两帧一维点云簇，获取所述两帧一维点云簇在所述最佳分离直线的方向上的交并比；将所述结果值与相应的预设值进行对比，以确定所述目标物体的运动状态，包括：将所述交并比与相应的预设值进行比对，以确定所述目标物体的运动状态。
在一些实施例中，依据所述两帧一维点云簇，获取所述两帧一维点云簇在所述最佳分离直线的方向上的交并比，包括：对所述两帧点云簇在所述最佳分离直线的方向上的两帧一维点云簇进行排序去噪，以获取所述两帧一维点云簇在所述最佳分离直线的方向上的交并比。
在一些实施例中，所述两帧点云簇包括第一点帧云簇和第二帧点云簇，其中所述第一帧点云簇和所述第二帧点云簇相邻；所述获取所述两帧点云簇之间的类内散度矩阵和类间散度矩阵，包括：获取所述第一帧点云簇的第一均值和第一协方差，以及所述第二帧点云簇的第二均值和第二协方差；基于所述第一均值、所述第一协方差、所述第二均值和所述第二协方差，确定所述类内散度矩阵；基于所述第一均值和所述第二均值，确定所述类间散度矩阵。
在一些实施例中，所述两帧点云簇是利用所述两帧点云簇对应的位置信息进行坐标转换到同一坐标系而得到的。
本申请第二方面公开了一种电子设备，包括相互耦接的存储器、处理器和雷达传感器，所述雷达传感器用于采集点云簇，所述处理器用于执行所述存储器中存储的程序指令，以实现第一方面中所述的目标物体的状态识别方法。
本申请第四方面公开了一种非易失性计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现第一方面中所述的目标物体的状态识别方法。
本申请的有益效果有：通过获取目标物体的连续的两帧点云簇，对两帧点云簇进行线性判别式分析操作，以得到相应的分析结果，进而依据分析结果，以实现低成本和更鲁棒地识别目标物体的运动状态。
附图说明
下面将结合附图及实施方式对本申请作进一步说明，附图中：
图1是本申请实施例的目标物体的状态识别方法的流程示意图；
图2是本申请一实施例的一维点云簇的示意图；
图3是本申请实施例的电子设备的结构示意图；
图4是本申请实施例的非易失性计算机可读存储介质的结构示意图。
具体实施方式
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。另外，本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请的技术方案做进一步详细描述。
请参阅图1，图1是本申请实施例的目标物体的状态识别方法的流程示意图。该方法的执行主体可以是有计算功能的电子设备，例如，微型计算机、服务器，以及笔记本电脑、平板电脑等移动设备等。
需注意的是，若有实质上相同的结果，本申请的方法并不以图1所示的流程顺序为限。
在一些可能的实现方式中，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现，如图1所示，该方法可以包括如下步骤：
S11：获取目标物体的连续的两帧点云簇。
目标物体的连续的两帧点云簇可以是针对同一目标对象在不同时刻所采集得到的，其中连续的两帧点云簇可以是t时刻的点云簇与t-1时刻的点云簇，点云簇包括点云数据以及对应时刻的目标物体的位姿信息(pose),目标物体可以是人体、树木、车道、车辆、建筑物等。
进一步地，目标物体的点云簇数据可以通过接收传感器设备采集的信息构建而成，其中，传感器设备包括雷达传感器，雷达传感器可以是用于自动驾驶且满足精度要求的，用于提供点云感知的雷达设备。利用雷达传感器，例如毫米波雷达、激光雷达等，对点云数据进行采集。雷达传感器可以安装于一可移动的设备上，例如，自动驾驶车辆等。激光雷达可以包括机械式激光雷达、半固态激光雷达或者固态激光雷达等。
在一应用场景中，自动驾驶车辆在道路上行驶，通过设置于该自动驾驶车辆上的雷达传感器获取用于描述车载设备所处的环境空间的点云数据，得到一个初始数据集。
S12：对两帧点云簇进行线性判别式分析操作，以得到相应的分析结果。
对两帧点云簇进行线性判别式分析操作，例如可以是利用LDA(Lineardiscriminant analysis，线性判别分析)算法对两帧点云簇进行计算。响应于完成对两帧点云簇进行线性判别式分析操作得到分析结果，例如可以是得到的特征向量的方向。
S13：依据分析结果，确定目标物体的运动状态。
依旧对目标物体的连续的两帧点云簇进行线性判别式分析操作，得到分析结果，例如可以是得到的特征向量的方向，即根据对两帧点云簇进行线性判别式分析操作得到分析结果确定最佳分离直线所在的方向，进而依据最佳分离直线所在的方向确定目标物体的运动状态。
在本实施例中，通过获取目标物体的连续的两帧点云簇，对两帧点云簇进行线性判别式分析操作，以得到相应的分析结果，进而依据分析结果，以实现低成本和更鲁棒地识别目标物体的运动状态。
在一些实施例中，分析结果包括两帧点云簇之间的最佳分离直线；对两帧点云簇进行线性判别式分析操作，以得到相应的分析结果，包括：获取两帧点云簇之间的类内散度矩阵和类间散度矩阵；依据类内散度矩阵和类间散度矩阵，获取类内散度矩阵和类间散度矩阵对应的特征矩阵；获取特征矩阵的最大特征值对应的特征，以将特征的方向用于表征最佳分离直线的方向。
对目标物体的连续的两帧点云簇进行线性判别式分析操作，得到分析结果，其中分析结果包括两帧点云簇之间的最佳分离直线，即能够使得投影后的两帧点云簇中心点尽量分离的直线是好的直线。对两帧点云簇进行线性判别式分析操作，以得到相应的分析结果，即获取两帧点云簇之间的类内散度矩阵和类间散度矩阵，例如可以是两帧点云簇之间的类内散度矩阵Sw，两帧点云簇之间的类间散度矩阵Sb。依据类内散度矩阵和类间散度矩阵，即依据两帧点云簇之间的类内散度矩阵Sw和类间散度矩阵Sb，进而获取类内散度矩阵和类间散度矩阵对应的特征矩阵，例如特征矩阵可以是矩阵Sw-1Sb，获取特征矩阵的最大特征值对应的特征，即获取特征矩阵Sw-1Sb的最大特征值对应的特征w，以将特征的方向用于表征最佳分离直线的方向，例如两帧点云簇间的最佳分离直线的方向可以是特征矩阵Sw- 1Sb的最大特征值对应的特征w的方向。
进一步地，依据分析结果，确定目标物体的运动状态，包括：依据两帧点云簇之间的最佳分离直线，获取最佳分离直线对应的结果值；将结果值与相应的预设值进行对比，以确定目标物体的运动状态。
对目标物体的连续的两帧点云簇进行线性判别式分析操作，得到分析结果，其中分析结果包括两帧点云簇之间的最佳分离直线，依据两帧点云簇之间的最佳分离直线，例如获取特征矩阵Sw-1Sb的最大特征值对应的特征w，即特征w用于表征最佳分离直线的方向，即根据特征w的方向，获取最佳分离直线对应的结果值，即根据特征w的方向计算得到相应的结果值，以将结果值与相应的预设值进行对比，进而确定目标物体的运动状态，例如得到结果值A，则将结果值A与预设的值B进行比较，根据比较结果输出确定目标物体的运动状态，例如可以目标物体是静止的，或者目标物体是运动的。
在一些实施例中，最佳分离直线对应的结果值包括最佳分离直线对应的广义瑞利商和两帧点云簇在最佳分离直线的方向上的交并比中的至少一个。
对目标物体的连续的两帧点云簇进行线性判别式分析操作，得到分析结果，其中分析结果包括两帧点云簇之间的最佳分离直线，即特征矩阵Sw-1Sb的最大特征值对应的特征w，特征w的方向为最佳分离直线方向。依据两帧点云簇之间的最佳分离直线，例如得到根据最佳分离直线方向对对目标物体的连续的两帧点云簇进行计算，得到最佳分离直线对应的结果值，即最佳分离直线对应的结果值包括最佳分离直线对应的广义瑞利商和两帧点云簇在最佳分离直线的方向上的交并比中的至少一个，例如是依据特征w计算得到的广义瑞利商Jw，以及和两帧点云簇在最佳分离直线的方向上的交并比，例如两帧点云簇的1维交并比。
在一些实施例中，最佳分离直线对应的结果值包括最佳分离直线对应的广义瑞利商；依据两帧点云簇之间的最佳分离直线，获取最佳分离直线对应的结果值，包括：依据类内散度矩阵、类间散度矩阵以及特征，获取最佳分离直线对应的广义瑞利商；将结果值与相应的预设值进行对比，以确定目标物体的运动状态，包括：将广义瑞利商与相应的预设值进行比较，以确定目标物体的运动状态。
依据两帧点云簇之间的最佳分离直线，获取最佳分离直线对应的结果值，最佳分离直线对应的结果值包括最佳分离直线对应的广义瑞利商，即依据类内散度矩阵、类间散度矩阵以及特征，例如依据两帧点云簇之间的类内散度矩阵Sw、类间散度矩阵Sb，以及根据类内散度矩阵Sw和类间散度矩阵Sb计算得到的特征矩阵Sw-1Sb的最大特征值对应的特征w，从而获取最佳分离直线对应的广义瑞利商。
具体地，可以采用以下公式计算广义瑞利商：
Figure BDA0004018404800000081
其中，w表示矩阵Sw-1Sb的最大特征值对应的特征向量。
进一步地，将广义瑞利商与相应的预设值进行比较，以确定目标物体的运动状态，例如设置广义瑞利商阈值，若第一散度矩阵和第二散度矩阵确定的广义瑞利商大于广义瑞利商阈值，确定对应的目标对象运动；若第一散度矩阵和第二散度矩阵确定的广义瑞利商小于或等于广义瑞利商阈值，确定对应的目标对象未运动。
在一些实施例中，最佳分离直线对应的结果值包括两帧点云簇在最佳分离直线的方向上的交并比；依据两帧点云簇之间的最佳分离直线，获取最佳分离直线对应的结果值，包括：获取两帧点云簇在最佳分离直线的方向上的两帧一维点云簇；依据两帧一维点云簇，获取两帧一维点云簇在最佳分离直线的方向上的交并比；将结果值与相应的预设值进行对比，以确定目标物体的运动状态，包括：将交并比与相应的预设值进行比对，以确定目标物体的运动状态。
依据两帧点云簇之间的最佳分离直线，获取最佳分离直线对应的结果值，最佳分离直线对应的结果值包括两帧点云簇在最佳分离直线的方向上的交并比。依据两帧点云簇之间的最佳分离直线，即根据类内散度矩阵Sw和类间散度矩阵Sb计算得到的特征矩阵Sw- 1Sb的最大特征值对应的特征w方向，确定最佳分离直以获取最佳分离直线对应的结果值，包括：获取两帧点云簇在最佳分离直线的方向上的两帧一维点云簇，例如将t-1时刻与t时刻的两帧点云簇投影至最佳分离直线上，得到两帧一维点云簇。进而依据两帧一维点云簇，获取两帧一维点云簇在最佳分离直线的方向上的交并比，即两帧一维点云簇在最佳分离直线的方向上的IOU值(Intersection over Union)。
进一步地，将交并比与相应的预设值进行比对，以确定目标物体的运动状态，例如将t-1时刻与t时刻的两帧点云簇投影至最佳分离直线上，得到两帧一维点云簇，例如是一维点云簇A和一维点云簇B，将一维点云簇A和一维点云簇B的交并比与相应的预设值进行比对，以确定目标物体的运动状态。如图2所示，图2是本申请一实施例的一维点云簇的示意图，第一向量E表示一维点云簇A，第二向量F表示一维点云簇B，其中第一向量E的大小为线段x1x2，第二向量F的大小为线段y1y2。
因此，第一向量E和第二向量F的交集为E∩F，即线段y1x2。第一向量E和第二向量F的并集为E∪F，即线段x1y2。则可以求出交并比。交并比越大，表示重合度越高，则说明该目标对象未运动的概率越大，交并比越小，表示重合度越低，则说明该目标对象运动的概率越大。由此，可以设置一交并比阈值，在确定重合情况得到的交并比大于交并比阈值时，确定该目标对象为固定物体，未发生运动；在确定重合情况得到的交并比小于或等于交并比阈值时，确定该目标对象运动。
在一些实施例中，依据两帧一维点云簇，获取两帧一维点云簇在最佳分离直线的方向上的交并比，包括：对两帧点云簇在最佳分离直线的方向上的两帧一维点云簇进行排序去噪，以获取两帧一维点云簇在最佳分离直线的方向上的交并比。
获取两帧点云簇在最佳分离直线的方向上的两帧一维点云簇，例如将t-1时刻与t时刻的两帧点云簇投影至最佳分离直线上，得到两帧一维点云簇，例如是一维点云簇A和一维点云簇B，对一维点云簇A和一维点云簇B中的数据点进行排序，并对排序后的数据点进行去噪处理。则一维点云簇A数据形成第一向量E，一维点云簇B数据形成第二向量F，进而可以计算第一向量E和第二向量F的交并比。
在一些实施例中，两帧点云簇包括第一点帧云簇和第二帧点云簇，其中第一点帧云簇和第二帧点云簇相邻；获取两帧点云簇之间的类内散度矩阵和类间散度矩阵，包括：获取第一帧点云簇的第一均值和第一协方差，以及第二帧点云簇的第二均值和第二协方差；基于第一均值、第一协方差、第二均值和第二协方差，确定类内散度矩阵；基于第一均值和第二均值，确定类间散度矩阵。
两帧点云簇包括第一帧点云簇和第二帧点云簇，其中第一点帧云簇和第二帧点云簇相邻，即可以是目标物体的连续的两帧点云簇，例如t-1时刻点云簇为第一帧点云簇，t时刻点云簇为第二帧点云簇。
此时，获取两帧点云簇之间的类内散度矩阵和类间散度矩阵，包括：获取第一帧点云簇的第一均值和第一协方差，以及第二帧点云簇的第二均值和第二协方差。
例如，可以采用以下公式计算均值：
Figure BDA0004018404800000101
其中，当j＝0时，x表示第一帧点云簇中的数据点，当j＝1时，x表示第二帧点云簇中的数据点。
由此可以求出第一帧点云簇中对应的第一均值μ0和第二帧点云簇中对应的第二均值μ1。
进一步，可以根据以下公式计算出协方差：
Figure BDA0004018404800000102
其中，当j＝0时，x表示第一点云数据中的数据点，当j＝1时，x表示第二点云数据中的数据点。由此可以求出第一点云数据对应的第一协方差Σ0和第二点云数据对应的第二协方差Σ1。
此时，可以基于第一均值、第一协方差、第二均值和第二协方差，确定类内散度矩阵。
例如，可以根据以下公式计算出类内散度矩阵：
Figure BDA0004018404800000111
其中，Sw表示类内散度矩阵。
也可以基于第一均值和第二均值，确定类间散度矩阵。
例如，可以根据以下公式计算出类间散度矩阵：
Figure BDA0004018404800000112
如上述，在一些实施例中，两帧点云簇是利用两帧点云簇对应的位置信息进行坐标转换到同一坐标系而得到的。
获取目标物体的连续的两帧原始点云簇，进而获取两帧原始点云簇对应的位置信息，利用两帧原始点云簇对应的位置信息，将两帧原始点云簇中一帧原始点云簇转换到另一帧原始点云簇所在的坐标系，从而得到两帧点云簇。
获取目标物体的连续的两帧点云簇，其中连续的两帧点云簇可以是t时刻的点云簇与t-1时刻的点云簇，进而获取两帧原始点云簇对应的位置信息，例如对应时刻的目标物体的位姿信息(pose),目标物体可以是人体、树木、车道、车辆、建筑物等。根据目标物体的位姿信息，例如t-1时刻的点云簇的坐标原点为O1，t时刻的点云簇的坐标原点为O2，利用两帧点云簇对应的位置信息进行坐标转换到同一坐标系而得到的，例如将t-1时刻的点云簇投影到t时刻的点云簇的坐标系中，即t-1时刻的点云簇的位姿信息也以O2为坐标原点，以消除由于物体自身运动引起的误差。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
请参阅图3，图3是本申请实施例的电子设备的结构示意图。电子设备30包括相互耦接的存储器31、处理器32和雷达传感器33，处理器32用于执行存储器31中存储的程序指令，雷达传感器33用于采集上述目标物体的点云簇，例如毫米波雷达、激光雷达等，对点云簇数据进行采集，以实现上述的目标物体的状态识别方法实施例的步骤。在一个具体的实施场景中，电子设备30可以包括但不限于：微型计算机、服务器，在此不做限定。
具体而言，处理器32用于控制其自身以及存储器31以实现上述目标物体的状态识别方法实施例的步骤。处理器32还可以称为CPU(Central Processing Unit，中央处理单元)，处理器32可能是一种集成电路芯片，具有信号的处理能力。处理器32还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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。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。另外，处理器32可以由集成电路芯片共同实现。
请参阅图4，图4为本申请实施例的非易失性计算机可读存储介质的结构示意图。非易失性计算机可读存储介质40用于存储计算机程序401，计算机程序401在被处理器执行时，例如被上述图3实施例中的处理器32执行时，用于实现上述用于目标物体的状态识别方法实施例的步骤。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和相关设备，可以通过其它的方式实现。例如，以上所描述的相关设备实施方式仅仅是示意性的，例如，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信断开连接可以是通过一些接口，装置或单元的间接耦合或通信断开连接，可以是电性、机械或其它的形式。
另外，在本申请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。
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取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
所属领域的技术人员易知，可在保持本申请的教示内容的同时对装置及方法作出诸多修改及变动。因此，以上公开内容应被视为仅受随附权利要求书的范围的限制。

Claims (10)

1.一种目标物体的状态识别方法，其特征在于，包括：
获取所述目标物体的连续的两帧点云簇；
对所述两帧点云簇进行线性判别式分析操作，以得到相应的分析结果；
依据所述分析结果，确定所述目标物体的运动状态。
2.根据权利要求1所述的方法，其特征在于，所述分析结果包括所述两帧点云簇之间的最佳分离直线；
所述对所述两帧点云簇进行线性判别式分析操作，以得到相应的分析结果，包括：
获取所述两帧点云簇之间的类内散度矩阵和类间散度矩阵；
依据所述类内散度矩阵和所述类间散度矩阵，获取所述类内散度矩阵和所述类间散度矩阵对应的特征矩阵；
获取所述特征矩阵的最大特征值对应的特征，以将所述特征的方向用于表征所述最佳分离直线的方向；
所述依据所述分析结果，确定所述目标物体的运动状态，包括：
依据所述两帧点云簇之间的最佳分离直线，获取所述最佳分离直线对应的结果值；
将所述结果值与相应的预设值进行对比，以确定所述目标物体的运动状态。
3.根据权利要求2所述的方法，其特征在于，所述最佳分离直线对应的结果值包括所述最佳分离直线对应的广义瑞利商和所述两帧点云簇在所述最佳分离直线的方向上的交并比中的至少一个。
4.根据权利要求3所述的方法，其特征在于，所述最佳分离直线对应的结果值包括所述最佳分离直线对应的广义瑞利商；
依据所述两帧点云簇之间的最佳分离直线，获取所述最佳分离直线对应的结果值，包括：
依据所述类内散度矩阵、所述类间散度矩阵以及所述特征，获取所述最佳分离直线对应的广义瑞利商；
将所述结果值与相应的预设值进行对比，以确定所述目标物体的运动状态，包括：
将所述广义瑞利商与相应的预设值进行比较，以确定所述目标物体的运动状态。
5.根据权利要求3所述的方法，其特征在于，所述最佳分离直线对应的结果值包括所述两帧点云簇在所述最佳分离直线的方向上的交并比；
依据所述两帧点云簇之间的最佳分离直线，获取所述最佳分离直线对应的结果值，包括：
获取所述两帧点云簇在所述最佳分离直线的方向上的两帧一维点云簇；
依据所述两帧一维点云簇，获取所述两帧一维点云簇在所述最佳分离直线的方向上的交并比；
将所述结果值与相应的预设值进行对比，以确定所述目标物体的运动状态，包括：
将所述交并比与相应的预设值进行比对，以确定所述目标物体的运动状态。
6.根据权利要求5所述的方法，其特征在于，依据所述两帧一维点云簇，获取所述两帧一维点云簇在所述最佳分离直线的方向上的交并比，包括：
对所述两帧点云簇在所述最佳分离直线的方向上的两帧一维点云簇进行排序去噪，以获取所述两帧一维点云簇在所述最佳分离直线的方向上的交并比。
7.根据权利要求3所述的方法，其特征在于，所述两帧点云簇包括第一帧点云簇和第二帧点云簇，其中所述第一帧点云簇和所述帧第二点云簇相邻；
所述获取所述两帧点云簇之间的类内散度矩阵和类间散度矩阵，包括：
获取所述第一帧点云簇的第一均值和第一协方差，以及所述第二帧点云簇的第二均值和第二协方差；
基于所述第一均值、所述第一协方差、所述第二均值和所述第二协方差，确定所述类内散度矩阵；
基于所述第一均值和所述第二均值，确定所述类间散度矩阵。
8.根据权利要求1-7任一项所述方法，其特征在于，所述两帧点云簇是利用所述两帧点云簇对应的位置信息进行坐标转换到同一坐标系而得到的。
9.一种车载设备，其特征在于，包括相互耦接的存储器、处理器和雷达传感器，所述雷达传感器用于采集点云簇，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至8任一项所述的目标物体的状态识别方法。
10.一种非易失性计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至8任一项所述的目标物体的状态识别方法。
CN202211679449.6A 2022-12-26 2022-12-26 目标物体的状态识别方法、电子设备和存储介质 Pending CN116071678A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211679449.6A CN116071678A (zh) 2022-12-26 2022-12-26 目标物体的状态识别方法、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211679449.6A CN116071678A (zh) 2022-12-26 2022-12-26 目标物体的状态识别方法、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN116071678A true CN116071678A (zh) 2023-05-05

Family

ID=86174117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211679449.6A Pending CN116071678A (zh) 2022-12-26 2022-12-26 目标物体的状态识别方法、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN116071678A (zh)

Similar Documents

Publication Publication Date Title
CN109188457B (zh) 物体检测框的生成方法、装置、设备、存储介质及车辆
CN108256506B (zh) 一种视频中物体检测方法及装置、计算机存储介质
CN109087510B (zh) 交通监测方法及装置
US11170525B2 (en) Autonomous vehicle based position detection method and apparatus, device and medium
US20210056715A1 (en) Object tracking method, object tracking device, electronic device and storage medium
US11436815B2 (en) Method for limiting object detection area in a mobile system equipped with a rotation sensor or a position sensor with an image sensor, and apparatus for performing the same
US11880985B2 (en) Tracking multiple objects in a video stream using occlusion-aware single-object tracking
US10945888B2 (en) Intelligent blind guide method and apparatus
CN113822910A (zh) 多目标跟踪方法、装置、电子设备及存储介质
CN115017742B (zh) 自动驾驶测试场景生成方法、装置、设备及存储介质
Liu et al. Vehicle detection and ranging using two different focal length cameras
CN114705121B (zh) 车辆位姿测量方法、装置及电子设备、存储介质
CN112434566A (zh) 客流统计方法、装置、电子设备及存储介质
US20230260132A1 (en) Detection method for detecting static objects
CN113128272B (zh) 一种碰撞预测方法、装置、存储介质和服务器
CN114488072A (zh) 障碍物检测方法、装置及存储介质
Qing et al. A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
US20230350019A1 (en) Advanced adaptive clustering technique for portable radars
CN114972492A (zh) 一种基于鸟瞰图的位姿确定方法、设备和计算机存储介质
US11314968B2 (en) Information processing apparatus, control method, and program
CN116071678A (zh) 目标物体的状态识别方法、电子设备和存储介质
Lai et al. Vision based ADAS for Forward Vehicle Detection using Convolutional Neural Networks and Motion Tracking.
CN112835063B (zh) 物体动静属性的确定方法、装置、设备及存储介质
Chen et al. Integrated vehicle and lane detection with distance estimation

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