CN116863325A - 一种用于多个目标检测的方法和相关产品 - Google Patents

一种用于多个目标检测的方法和相关产品 Download PDF

Info

Publication number
CN116863325A
CN116863325A CN202210306790.0A CN202210306790A CN116863325A CN 116863325 A CN116863325 A CN 116863325A CN 202210306790 A CN202210306790 A CN 202210306790A CN 116863325 A CN116863325 A CN 116863325A
Authority
CN
China
Prior art keywords
confidence
target
low
detection
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
Application number
CN202210306790.0A
Other languages
English (en)
Inventor
杨炎龙
李娟娟
邓永强
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.)
Beijing Wanji Technology Co Ltd
Original Assignee
Beijing Wanji Technology Co 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 Beijing Wanji Technology Co Ltd filed Critical Beijing Wanji Technology Co Ltd
Priority to CN202210306790.0A priority Critical patent/CN116863325A/zh
Publication of CN116863325A publication Critical patent/CN116863325A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本公开涉及一种用于多个目标检测的方法和相关产品。该方法包括获取包含所述多个目标的点云数据；对所述点云数据进行特征提取得到点云特征；对所述点云特征进行聚类；利用点云评价特征对所述聚类的聚类结果进行置信度评价，得到各聚类结果的评价结果，其中所述点云评价特征用于表征所述点云数据的质量；根据所述评价结果确定所述聚类结果中的高置信度目标和低置信度目标；以及利用所述高置信度目标的检测信息对所述低置信度目标的检测信息进行校准，以输出检测结果。本公开通过高置信度目标校准低置信度目标，不仅提高了目标的检出率，还增强了目标检测的置信度。

Description

一种用于多个目标检测的方法和相关产品
技术领域
本公开一般地涉及目标检测技术领域。更具体地，本公开涉及一种用于多个目标检测的方法、设备及计算机可读存储介质。
背景技术
本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述可包括可以探究的概念，但不一定是之前已经想到或者已经探究的概念。因此，除非在此指出，否则在本部分中描述的内容对于本申请的说明书和权利要求书而言不是现有技术，并且并不因为包括在本部分中就承认是现有技术。
在当前的智慧交通领域中，通过多种传感器(例如路侧的激光雷达)和边缘计算，可以对交通参与者和路况等目标进行瞬时智能感知或检测。然而，在进行感知或检测时，可能会因为测距误差、光线散射或遮挡等问题而导致目标的检测结果的置信度偏低。该置信度偏低通常体现为目标的三维点数少、点云效果差、信号噪声大、轮廓不完整等。鉴于此，如何有效地增强检测目标的置信度成为需要解决的问题。
发明内容
为了至少解决上面的一个或多个技术问题，本公开提供一种用于多个目标检测的方法、设备及计算机可读存储介质。本公开通过利用高置信度目标来校准低置信度目标，不仅提高了目标的检出率，还增强了目标检测的置信度。鉴于此，本公开在如下的多个方面提供相应的解决方案。
在第一方面，本公开提供一种用于多个目标检测的方法，包括：获取包含所述多个目标的点云数据；对所述点云数据进行特征提取得到点云特征；对所述点云特征进行聚类；利用点云评价特征对所述聚类的聚类结果进行置信度评价，得到各聚类结果的评价结果，其中所述点云评价特征用于表征所述点云数据的质量；根据所述评价结果确定所述聚类结果中的高置信度目标和低置信度目标；以及利用所述高置信度目标的检测信息对所述低置信度目标的检测信息进行校准，以输出检测结果。
在一个实施例中，所述点云评价特征包括所述点云数据的密度特征、高度特征和/或线序特征。
在另一个实施例中，对所述点云聚类的聚类结果进行置信度评价包括对多个所述点云评价特征的评价结果进行加权操作，获得各聚类结果的评价结果。
在又一个实施例中，根据所述评价结果确定所述聚类结果中的高置信度目标和低置信度目标包括：比较各聚类结果的评价结果，将所述评价结果中相对优的目标评价结果对应的目标作为高置信度目标，将除所述高置信度目标以外的目标作为低置信度目标；或者比较各聚类结果的评价结果，将所述评价结果中相对优且符合预设标准的目标评价结果对应的目标作为高置信度目标，将除所述高置信度目标以外的目标作为低置信度目标。
在又一个实施例中，利用所述高置信度目标的检测信息对所述低置信度目标的检测信息进行校准，以输出检测结果包括：基于所述高置信度目标构建包含所述低置信度目标的多边组网；利用所述多边组网中各网格上的高置信度目标的检测信息对各所述网格内的低置信度目标的检测信息进行校准，以输出检测结果。
在又一个实施例中，基于所述高置信度目标构建包含所述低置信度目标的多边组网包括：将所述高置信度目标作为多边组网中各网格的角点，所述低置信度目标包含在各所述网格内；利用贪婪三角形算法将所述角点构建成多边组网，其中所述多边组网中的网格为三角网格。
在又一个实施例中，利用所述多边组网中各网格上的高置信度目标的检测信息对各所述网格内的低置信度目标的检测信息进行校准，以输出检测结果包括：基于高置信度目标所在三角网格的目标点确定所述低置信度目标所在的三角网格，其中所述目标点包括所述高置信度目标所在网格的三角形重心和/或三角形中心；利用所述低置信度目标所在的所述三角网格上的高置信度目标的检测信息对所述低置信度目标的检测信息进行校准，以输出检测结果。
在又一个实施例中，基于高置信度目标所在网格的目标点确定所述低置信度目标所在的三角网格包括：构建所述高置信度目标所在网格的三角形重心和/或三角形中心的搜索树；遍历所述搜索树，以搜索与所述低置信度目标最邻近的三角形重心和/或三角形中心；以及将最邻近的所述三角形重心和/或三角形中心对应的三角网格作为所述低置信度目标所在的三角网格。
在又一个实施例中，利用所述低置信度目标所在的所述三角网格上的高置信度目标的检测信息对所述低置信度目标的检测信息进行校准，以输出检测结果包括：将所述低置信度目标所在的所述三角网格上的高置信度目标的检测信息作为所述低置信度目标的检测信息的约束，以输出检测结果。
在又一个实施例中，利用所述低置信度目标所在的所述三角网格上的高置信度目标的检测信息对所述低置信度目标的检测信息进行校准，以输出检测结果还包括：获取道路场景中的目标区域，所述目标区域包括当前道路的可行驶区域或者当前行驶方向对应的车道区域；将所述目标区域和将所述低置信度目标所在的所述三角网格上的高置信度目标的检测信息作为所述低置信度目标的检测信息的约束，以输出检测结果。
在又一个实施例中，所述检测信息包含目标类型信息、速度信息、航向角和位置信息中的一种或几种。
在又一个实施例中，利用各所述组网的网格上的高置信度目标的检测信息，对对应网格内的低置信度目标的检测信息进行校准，输出检测结果，包括：将提取的点云特征、上一帧点云的检测结果以及多边组网中各网格的网格信息作为卡尔曼滤波器的输入，以输出检测结果，其中所述网格信息为各网格对应的高置信度目标和低置信度目标，并且所述网格信息用于在输出对应的低置信度目标的检测信息时进行约束。
在第二方面，本公开还提供一种用于多个目标检测的设备，包括：处理器；以及与所述处理器相连接的存储器，所述存储器中存储有计算机程序代码，当所述计算机程序代码被所述处理器执行时，使得所述设备执行前述多个实施例。
在第三方面，本公开还提供一种计算机可读存储介质，其包括用于多个目标检测的程序指令，当所述程序指令由一个或多个处理器执行时，使得实现前述多个实施例。
根据本公开实施例，通过对多个目标的点云数据进行聚类，并利用点云评价特征对聚类结果进行置信度评价，以确定多个目标中的高置信度目标和低置信度目标。进一步地，利用高置信度目标对低置信度目标校准，从而提高了目标的检出率，增强目标检测的置信度。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分其中：
图1是示出激光雷达检测的示例性示意图；
图2是示出根据本公开实施例的多个目标检测的方法的示例性流程图；
图3是示出根据本公开实施例的极坐标分区的网格单元的示例性示意图；
图4是示出根据本公开实施例的多边组网构建的方法的示例性流程图；
图5a-5d是示出根据本公开实施例的多边组网构建的示例性示意图；
图6是示出根据本公开实施例的确定低置信度目标所在的三角网格的方法的示例性流程图；
图7是示出根据本公开实施例的低置信度目标的周围目标及所在道路场景的示例性示意图；以及
图8是示出根据本公开实施例的多个目标检测的方法的整体示例性示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
如在背景技术部分所描述的，在当前的智慧交通领域中，通过多种传感器和边缘计算，可以对交通参与者和路况等目标进行瞬时智能感知或检测。前述传感器可以例如是激光雷达传感器。如本领域技术人员所知，激光雷达是以激光作为信号源，由激光器发射出脉冲激光，该脉冲激光照射到目标物上时引起散射，而一部分光波会反射到激光雷达的接收器上，从而根据激光测距原理获得目标物信息。
然而，利用激光雷达检测目标时，可能会因为测距误差、光线散射或遮挡等问题而导致目标的检出率低、并且检测的目标的置信度偏低。例如，在一个场景中，当目标距离激光雷达较远时，检测到的目标的点云较稀疏。在另一个场景中，例如图1所示，当目标较多时，目标与目标之间会存在遮挡问题，从而导致目标的三维点数少并且检测到的目标轮廓不完整，下面结合图1对该情形进行详细描述。
图1是示出激光雷达检测的示例性示意图。如图所示，假设在激光雷达P的检测范围内检测到如矩形框示出的目标1，目标2和目标3，其中矩形框的大小可以表示目标点云数量的多少。即，矩形框较大则表示点云数量较多；与之相反地，矩形框较小则表示点云数量较少。对于目标1来说，其距离激光雷达P较远，因此检测到的目标点云较稀疏，从而目标轮廓会不完整。对于目标2来说，其距离激光雷达P较近，因此检测到的目标点云较密，从而目标轮廓更完整。对于目标3而言，由于激光雷达P发射的脉冲激光受到目标2的遮挡，而导致激光雷达P接收不到反射回波，以致于检测到的目标3的点云数较少，并同样导致目标3的轮廓不完整。
根据前文描述可知，利用激光雷达进行目标检测时，可能会因为测距误差、光线散射或遮挡等问题而导致目标点云数量较少，目标轮廓不完整，从而导致目标的检出率和置信度较低。
为了克服上述一个或多个方面的缺陷，本公开提供了一种多个目标检测的方法、设备及计算机可读存储介质。通过本公开的方案，可以提高目标的检出率以及检测结果的置信度。
下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
图2是示出根据本公开实施例的多个目标检测的方法200的示例性流程图。如图所示，在步骤S202处，获取包含多个目标的点云数据。在一个实施例中，前述多个目标可以是交通参与对象和/或道路设施。在一些场景中，交通参与对象可以例如是机动车辆、非机动车辆或者行人等，而道路设施可以例如是交通信号灯或者路障设施等。基于前文描述可知，前述多个目标的点云数据可以通过激光雷达来获取。在一些实施例中，多个目标的点云数据还可以通过例如立体摄像头或者渡越时间相机等3D扫描设备来获取。
基于上述获取的点云数据，在步骤S204处，对点云数据进行特征提取得到点云特征。可以理解，该点云特征可以是由激光雷达或者前述的其他3D扫描设备直接获取的点云数据的原始特征，并且基于不同的扫描设备采集的点云数据，对其进行特征提取后得到的点云特征将有所不同。例如，当采用激光雷达获取点云数据并对其提取点云特征时，其点云特征通常可以包括点云的三维坐标、速度以及激光反射强度等。当采用例如立体摄像头或者越渡时间相机获取点云数据时，对其进行特征提取的点云特征可以包括点云的三维坐标以及颜色信息等。此外，前述点云特征还可以包括例如点云的法线或者主曲率等特征。
基于提取的点云特征，流程前进至步骤S206。在该步骤处，对点云特征进行聚类。如本领域技术人员所知，将物理或抽象对象的集合分成由类似的对象组成的多个类的过程即为聚类，并且由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，而与其他簇中的对象相异。在本公开实施例中，例如通过对点云特征进行聚类后可将多个目标中的例如机动车辆视为同一簇中的对象，将例如非机动车辆视为同一簇中的对象。在一些实施例中，可以基于不同的分析方法选择不同的聚类算法。例如，基于划分方法可以选择例如K-Means算法来实现对点云特征的聚类过程，基于密度的方法可以选择例如DBSCAN算法，基于网格的方法可以选择例如STING算法，本公开在此方面不作任何限制。
经上述聚类操作获得聚类结果后，在步骤S208处，利用点云评价特征对聚类的聚类结果进行置信度评价，得到各聚类结果的评价结果。前述点云评价特征可以用于表征点云数据的质量。在一个实施例中，该点云评价特征可以包括但不限于密度特征、高度特征和/或线序特征。例如在一些实施例中，前述点云评价特征还可以是快速点特征直方图(Fast Point Feature Histogram，“FPFH”)或者方向直方图特征(Signature ofHistograms of OrienTations，“SHOT”)。本领域技术人员可以任意选择其中的一种或者多种点云评价特征，以用于对聚类结果进行置信度评价，进而获得评价结果，以便后续用于确定聚类结果中的高置信度目标和低置信度目标。下面将针对密度特征、高度特征以及线序特征进行详细描述。
对于密度特征而言，聚类后的点云数据的密度越大，表示可以更容易检测到微小目标，并且检测到的目标轮廓也更加完整。也就是说，点云数据的密度越大，则表示点云数据的质量越好。在一个实现场景中，可以针对聚类后的各个目标划定基于极坐标分区的网格单元。进一步地，通过计算每个网格单元中点云的数量，即可获得密度特征。可以理解，前述密度特征是基于极坐标系下的目标点云分布的特征描述，并且其与检测设备(例如激光雷达)的扫描角度以及与检测设备的距离相关。关于基于极坐标划分的网格单元将在后面结合图3详细描述。
对于高度特征来说，由于点云数据包含三维信息，因此点云数据在三维空间坐标中的z轴上也有相应的分布特征，即高度特征。在一个实施例中，可以基于上述描述的基于极坐标划分的网格单元，进一步在z轴方向上进行分层划分。通过基于z轴方向分层划分后的每层内的目标点云数量进行归一化统计，从而获得点云的高度特征。与上述密度特征类似，高度特征越大，也表示点云数据的质量越好。
对于线序特征而言，其可以通过统计每个激光线上的点云数量，从而获得线序特征。在一个实现场景中，还可以在计算高度特征时，增加激光线序号的描述(即线序特征)，共同组成高度线序特征。
根据上述获得的点云评价特征(密度特征、高度特征和/或线序特征)可以进一步对聚类结果进行置信度评价。具体而言，当密度特征、高度特征和/或线序特征越大时，聚类结果的评分就越高，相应地置信度就越高。在一个实施场景中，可以利用密度特征、高度特征和/或线序特征中任意一种或多种点云评价特征来进行置信度评价。需要理解的是，当基于多种点云评价特征时，可以首先将前述多种点云评价特征进行融合，获得一个统一的点云评价特征。进一步地，利用该统一的点云评价特征进行置信度评价。在一个实施例中，前述融合操作例如可以是加权操作。在一些实施例中，还可以利用不同的点云评价特征首先进行置信度评价，再对多种点云评价特征的评价结果进行加权操作，从而获得各聚类结果的评价结果。
在如上获得各聚类结果的评价结果后，流程继续前进至步骤S210。在该步骤处，根据评价结果确定聚类结果中的高置信度目标和低置信度目标。更为具体地，可以通过比较各聚类结果的评价结果来确定高置信度目标和低置信度目标。在一个实施例中，可以直接将评价结果中相对优的目标评价结果对应的目标作为高置信度目标，而将除高置信度目标以外的目标作为低置信度目标。换句话说，本公开提出将评分结果较高的目标直接作为高置信度目标，其余目标作为低置信度目标。
在另一个实施例中，还可以将评价结果中相对较优且符合预设标准的目标评价结果对应的目标作为高置信度目标。前述预设标准可以是基于激光雷达检测区域内的扫描特点而设定的，并且不同检测区域下的预设标准可以不同。例如，对于距离激光雷达较近的区域(例如图1中的目标2所在区域)，其获取的点云数据质量较高，从而预设标准较高；而对于距离激光雷达较远的区域(例如图1中的目标1所在区域)，经扫描获得的点云数据稀疏，从而预设标准较低。也就是说，即使距离激光雷达较远的区域内目标的评价结果(以评分来计)低于距离激光雷达较近区域内的目标，但如果该距离激光雷达较远的目标的评价结果符合针对较远区域所设定的预设标准，则该目标仍可以作为高置信度目标。
根据确定的高置信度目标和低置信度目标，在步骤S212处，利用高置信度目标的检测信息对低置信度目标的检测信息进行校准，以输出检测结果。具体来说，首先可以基于高置信度目标构建包含低置信度目标的多边组网，进而可以利用多边组网中各网格上的高置信度目标的检测信息对各网格内的低置信度目标的检测信息进行校准，以便输出检测结果。
图3是示出根据本公开实施例的极坐标分区的网格单元的示例性示意图。如图所示，在平面内取一个定点O，该定点O称为极点，接着引一条射线Ox，该射线Ox称为极轴，并且选定一个长度单位和角度的正方向(例如逆时针方向)，由此可以建立极坐标系。极坐标系下的点的坐标称为极坐标，并且该极坐标是二维的。例如对于平面内任何一点M，可以用ρ表示线段OM的长度，并且用θ表示从Ox到OM的角度。在该极坐标系中，ρ可以称为点M的极径，θ可以称为点M的极角，有序数对(ρ，θ)则称为点M的极坐标。对于目标点云而言，其极坐标可以用于描述点云与激光雷达的距离以及激光雷达的扫描角度，从而可以描述点云的分布情况。
图中进一步示出多个同心圆和多条射线，从而形成基于极坐标分区的网格单元。该网格单元可以是基于聚类后的目标点云来进行划分的。假设图中所示出的多个实心圆点表示聚类结果中的目标点云，则其密度特征可以基于射线l1和射线l2与同心圆a和同心圆b划分而成的网格单元H来计算。也就是说，通过在该网格单元H内计算目标点云(图中实心圆点所示)的数量，即可获得密度特征。
根据前文描述可知，基于极坐标分区的网格单元可以获得点云评价特征。进一步，通过点云评价特征对聚类结果进行置信度评价，从而可以确定高置信度目标和低置信度目标。
在一个实施例中，可以将高置信度目标作为多边组网中各网格的角点，再利用高置信度目标包围低置信度目标，也即低置信度目标包含在各所述网格内。进一步地，利用贪婪三角形算法将角点构建成多边组网。在一些实施例中，前述多边组网中的网格可以是多边形，例如可以但不限于三角形或四边形。在本公开实施例中，构建的多边组网中的网格为示例性的三角网格。下面将结合图4详细描述多边组网的构建过程。
图4是示出根据本公开实施例的多边组网构建的方法400的示例性流程图。如图所示，在步骤S402处，将已知平面上的离散点两两相互连接成覆盖整个离散点集的平面图。需要理解的是，在该平面图内，除端点以外平面中的连接边不包含任何离散点，并且平面内的连接边均不相交。附加地，前述平面图中的每个面可以是三角面，并且每个三角面的合集构成离散点集的凸包(例如图5a所示)。接着，在步骤S404处，利用输入的高置信度目标点集构造大三角形，并且创建三角形列表。前述大三角形包含所有离散点。
基于建立的三角形列表，在步骤S406处，将高置信度目标点集中的点插入至三角形列表，并在三角形列表中查找包含该点的外接圆(例如图5b所示)。进一步地，在步骤S408处，删除外接圆的公共边(例如图5c所示)。删除公共边后，在步骤S410处，将插入的点与已有三角形的顶点连接，构成新的三角形分区(例如图5d所示)。接着，流程返回至步骤S406，并且重复执行前述步骤S406至步骤S410，直至插入高置信目标点集中的全部点，从而完成整个场景中的高置信度目标的多边组网的构建。在一个实施场景中，可以将构建的多边组网中的三角网格按照三角形序号、三个角点坐标以及三条边的链接顺序号依次顺序排列，并且存入到内存中，以便后续遍历搜索树确定低置信度目标对应的三角网格时调用。
图5a-图5d是示出根据本公开实施例的多边组网构建的示例性示意图。图5a示出将已知平面上的离散点两两相互连接成覆盖整个离散点集的示例性平面图。如前所述，该平面图的连接边均不包含离散点，并且不包含相交边。图中示出平面图的每个面均是三角面。图5b示出将高置信度目标点集中的点v插入至三角形列表的示意图，基于该点v在三角形列表中找到包含该点v的外接圆c1和外接圆c2，其中外接圆c1和外接圆c2具有公共边e。图5c是示出删除公共边e的示意图。图5d示出将插入的点v与已有三角形的顶点连接，从而构成新的三角分区的示意图。
根据上述构建的多边组网，可以利用多边组网中各网格上的高置信度目标的检测信息对各网格内的低置信度目标的检测信息进行校准，以便输出检测结果。为此，首先可以基于高置信度目标所在网格的目标点确定低置信度目标所在的三角网格。在一个实施例中，高置信度目标所在网格的目标点可以是三角形重心和/或三角形中心。对于正三角形(即等边三角形)而言，其三角形重心和三角形中心重合。接着，利用低置信度目标所在的三角网格上的高置信度目标的检测信息对低置信度目标的检测信息进行校准，从而输出检测结果。为了便于理解，下面将首先结合图6描述如何确定低置信度目标所在的三角网格。
图6是示出根据本公开实施例的确定低置信度目标所在的三角网格的方法600的示例性流程图。如图所示，在步骤S602处，构建高置信度目标所在网格的三角形重心和/或三角形中心的搜索树。在一个实施例中，该搜索树可以是二叉搜索树。基于构建的搜索树，在步骤S604处，遍历搜索树，以搜索与低置信度目标最邻近的三角形重心和/或三角形中心。也即，通过查询搜索树从基于高置信度目标构建的多边组网中的三角网格中查找距离每个低置信度目标最近的三角形重心和/或三角形中心。在步骤S606处，将最邻近的三角形重心和/或三角形中心对应的三角网格作为低置信度目标所在的三角网格。根据前述步骤，可以确定每个低置信度目标所在的三角网格。
需要理解的是，低置信度目标在运动的过程中，不仅会受到其周围目标的影响，还会受其所在道路场景的影响。因此，在对低置信度目标的检测信息进行校准时，可以同时考虑其周围目标和道路场景的约束。作为示例，可以将低置信度目标所在的三角网格上的高置信度目标的检测信息以及道路场景中的目标区域作为所述低置信度目标的检测信息的约束。在一些实施例中，前述目标区域可以包括当前道路的可行驶区域或者当前行驶方向对应的车道区域。下面将结合图7详细描述低置信度目标的周围目标及所在道路场景的约束。
图7是示出根据本公开实施例的低置信度目标的周围目标及所在道路场景的示例性示意图。如图所示，假设经激光雷达P检测到高置信度目标A、高置信度目标B、高置信度目标C和低置信度目标D。结合前文描述内容，可构建以高置信度目标A、高置信度目标B、高置信度目标C为角点的三角网格，该三角网格内包含低置信度目标D。图中进一步示出高置信度目标A行驶在车道1上，高置信度目标C和低置信度目标D行驶在车道2上，高置信度目标B行驶在其他车道上(图中未示出)。在该场景下，低置信度目标D受其周围目标(即高置信度目标A、高置信度目标B、高置信度目标C)以及可行驶区域(车道2)的约束。由此可以利用高置信度目标A、高置信度目标B、高置信度目标C的检测信息以及车道2对低置信度目标D进行约束，从而对低置信度目标D的检测信息进行校准。在一个实施例中，检测信息可以包括目标类型信息、速度信息、航向角和位置信息中的一种或几种。
在一个实施场景中，在对低置信度目标的检测信息进行校准时，可以具体将提取的点云特征(例如三维坐标、速度等)、上一帧点云的检测结果(即目标的历史检测信息)以及多边组网中各网格的网格信息作为卡尔曼滤波器的输入，进而输出检测结果，从而完成低置信度目标的检测信息的校准。在一个实施例中，其中网格信息为各网格对应的高置信度目标和低置信度目标，并且该网格信息用于在输出对应的低置信度目标的检测信息时进行约束。
就上文的卡尔曼滤波器而言，其是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。根据目标行驶的马尔科夫假设，即目标当前的状态与目标上一帧的状态相关。因此将目标的历史状态信息(例如位置信息、速度信息和/或航向角信息)输入卡尔曼滤波器，通过卡尔曼滤波修正检测过程中的误差，可以目标当前帧的最优的状态信息。在一个实施例中，假设目标上一帧的状态量(例如目标的位置、速度和/或航向角)的均值和方差分别记为μt-1、∑t-1，则利用上一帧的状态量的均值和方差预测目标当前帧的状态量和方差可记成如下公式：
其中，At、Bt分别表示目标状态变化的系数矩阵，分别表示预测的当前帧的状态量的均值和方差，Rt表示预测过程中引入的误差方差矩阵。
基于预测的当前帧的状态量的均值和方差，可以进一步计算卡尔曼滤波的增益系数，该增益系数可以采用如下公式表示：
其中，Kt表示卡尔曼滤波的增益系数，表示预测的当前帧的方差，Ct表示目标状态变化的系数矩阵，Qt表示当前帧的预测值和真实值之间的误差协方差矩阵。
根据上述获得的增益系数Kt，可以输出目标当前帧的状态信息的最终结果，具体的计算公式如下：
其中，μt、∑t分别表示当前帧的状态量的均值和方差的最终结果，分别表示预测的当前帧的状态量的均值和方差，zt表示当前帧的测量值，Ct表示目标状态变化的系数矩阵，I表示单位矩阵。
基于上述描述的卡尔曼滤波原理，在本公开实施例中，除了将低置信度目标的历史检测信息输入卡尔曼滤波器之外，再加入其周围的高置信度目标以及道路场景的目标区域对低置信度目标进行约束。该约束具体体现在上述卡尔曼滤波的公式(2)中的误差方差矩阵Rt的差异。在一个实施场景中，假设目标的状态服从高斯分布，则低置信度目标的位置的概率分布服从以检测位置为均值点，方差为σ的二维高斯分布。此外，低置信度目标所在的三角网格的面积与其所在的位置有关，例如当三角形面积小时，低置信度目标分布的方差值也小。基于此，可以建立低置信度目标所在的三角网格的方差的关系式σ＝f(s)，其中s表示三角网格的面积，σ表示方差。
就高置信度目标对低置信度目标的约束而言，低置信度目标所在三角网格上的高置信度目标的位置信息在低置信度目标的前后位置和左右位置上进行约束。在场景下，可以令误差方差矩阵其中/>表示前后位置的方差，/>表示左右位置的方差。在一个实现场景中，前后位置和左右位置的方差均不超过两者之间距离的一半。
针对目标区域对低置信度目标的约束来说，低置信度目标在道路场景中的运动可分解成垂直于道路方向上的运动和平行于道路方向上的运动。在该场景下，可以令低置信度目标在运动过程中的误差方差矩阵为其中/>表示平行于道路方向的方差，/>表示垂直于道路方向的方差。
结合上述两种约束下的方差分布，可以生成最终的误差方差分布，即可以理解，目标通常分布在道路内部，并且大多数时候是平行于道路前进行驶的。因此，对于误差方差矩阵的取值来说，可以在/>和/>两者之间取较小值即可。接着，利用最终的误差方差矩阵/>替换传统卡尔曼滤波器中的误差方差矩阵，即上述公式(2)中的误差方差矩阵Rt，输出最终的检测结果。
本公开实施例的方案，通过对包含多个目标的点云数据进行特征提取，从而对点云特征聚类，并且利用点云评价特征对聚类结果进行评价，进而基于各聚类结果的评价结果确定高置信度目标和低置信度目标。进一步地，利用高置信度目标的检测信息对低置信度目标的检测信息进行校准，以提高目标的检测率，并且增强了目标检测的置信度。
图8是示出根据本公开实施例的多个目标检测的方法800的整体示例性示意图。如图所示，在步骤S802处，通过激光雷达进行扫描。经激光雷达扫描后，在步骤S804处，可以获得检测目标。在一个实施例中，检测目标通常表现为点云。在步骤S806处，针对前述获得的检测目标，对检测结果置信度分级，从而将目标分为高置信度目标和低置信度目标。具体的置信度分级结果可以参考上述图1描述的内容，此处不再赘述。接着，在步骤S808处，根据分级后的高置信度目标，按高置信度目标构建区域。即构建以高置信度目标为角点的多边组网。基于构建的多边组网，在步骤S810处，利用高置信度目标校准区域中的低置信度目标。在对低置信度目标进行校准时，除利用高置信度目标对其进行约束外，还可以输入历史信息和输入车辆分布和道路信息，即步骤S812和步骤S814。经前述校准后，在步骤S816处，丰富了低置信度目标信息。最后，在步骤S818处，输出最终检测结果。
根据上述结合附图的描述，本领域技术人员也可以理解本公开的实施例还可以通过软件程序来实现，由此本公开还提供了一种设备和一种计算机产品，该设备和计算机产品可以用于实现本公开结合附图所描述的多个目标检测的方法。
应当注意，尽管在附图中以特定顺序描述了本公开方法的操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
应当理解，当本公开的权利要求、说明书及附图中使用到术语“第一”、“第二”、“第三”和“第四”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
虽然本文已经示出和描述了本披露的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本披露思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本披露的过程中，可以采用对本文所描述的本披露实施例的各种替代方案。所附权利要求书旨在限定本披露的保护范围，并因此覆盖这些权利要求范围内的等同或替代方案。

Claims (14)

1.一种用于多个目标检测的方法，其特征在于，包括：
获取包含所述多个目标的点云数据；
对所述点云数据进行特征提取得到点云特征；
对所述点云特征进行聚类；
利用点云评价特征对所述聚类的聚类结果进行置信度评价，得到各聚类结果的评价结果，其中所述点云评价特征用于表征所述点云数据的质量；
根据所述评价结果确定所述聚类结果中的高置信度目标和低置信度目标；以及
利用所述高置信度目标的检测信息对所述低置信度目标的检测信息进行校准，以输出检测结果。
2.根据权利要求1所述的方法，其特征在于，所述点云评价特征包括所述点云数据的密度特征、高度特征和/或线序特征。
3.根据权利要求1所述的方法，其特征在于，对所述点云聚类的聚类结果进行置信度评价包括对多个所述点云评价特征的评价结果进行加权操作，获得各聚类结果的评价结果。
4.根据权利要求1所述的方法，其特征在于，根据所述评价结果确定所述聚类结果中的高置信度目标和低置信度目标包括:
比较各聚类结果的评价结果，将所述评价结果中相对优的目标评价结果对应的目标作为高置信度目标，将除所述高置信度目标以外的目标作为低置信度目标；或者
比较各聚类结果的评价结果，将所述评价结果中相对优且符合预设标准的目标评价结果对应的目标作为高置信度目标，将除所述高置信度目标以外的目标作为低置信度目标。
5.根据权利要求1所述的方法，其特征在于，利用所述高置信度目标的检测信息对所述低置信度目标的检测信息进行校准，以输出检测结果包括：
基于所述高置信度目标构建包含所述低置信度目标的多边组网；
利用所述多边组网中各网格上的高置信度目标的检测信息对各所述网格内的低置信度目标的检测信息进行校准，以输出检测结果。
6.根据权利要求5所述的方法，其特征在于，基于所述高置信度目标构建包含所述低置信度目标的多边组网包括：
将所述高置信度目标作为多边组网中各网格的角点，所述低置信度目标包含在各所述网格内；
利用贪婪三角形算法将所述角点构建成多边组网，其中所述多边组网中的网格为三角网格。
7.根据权利要求5所述的方法，其特征在于，利用所述多边组网中各网格上的高置信度目标的检测信息对各所述网格内的低置信度目标的检测信息进行校准，以输出检测结果包括：
基于高置信度目标所在三角网格的目标点确定所述低置信度目标所在的三角网格，其中所述目标点包括所述高置信度目标所在网格的三角形重心和/或三角形中心；
利用所述低置信度目标所在的所述三角网格上的高置信度目标的检测信息对所述低置信度目标的检测信息进行校准，以输出检测结果。
8.根据权利要求7所述的方法，其特征在于，基于高置信度目标所在网格的目标点确定所述低置信度目标所在的三角网格包括：
构建所述高置信度目标所在网格的三角形重心和/或三角形中心的搜索树；
遍历所述搜索树，以搜索与所述低置信度目标最邻近的三角形重心和/或三角形中心；以及
将最邻近的所述三角形重心和/或三角形中心对应的三角网格作为所述低置信度目标所在的三角网格。
9.根据权利要求7所述的方法，其特征在于，利用所述低置信度目标所在的所述三角网格上的高置信度目标的检测信息对所述低置信度目标的检测信息进行校准，以输出检测结果包括：
将所述低置信度目标所在的所述三角网格上的高置信度目标的检测信息作为所述低置信度目标的检测信息的约束，以输出检测结果。
10.根据权利要求7所述的方法，其特征在于，利用所述低置信度目标所在的所述三角网格上的高置信度目标的检测信息对所述低置信度目标的检测信息进行校准，以输出检测结果还包括：
获取道路场景中的目标区域，所述目标区域包括当前道路的可行驶区域或者当前行驶方向对应的车道区域；
将所述目标区域和将所述低置信度目标所在的所述三角网格上的高置信度目标的检测信息作为所述低置信度目标的检测信息的约束，以输出检测结果。
11.根据权利要求1-10任意一项所述的方法，其特征在于，所述检测信息包含目标类型信息、速度信息、航向角和位置信息中的一种或几种。
12.根据权利要求5所述的方法，其特征在于，利用各所述组网的网格上的高置信度目标的检测信息，对对应网格内的低置信度目标的检测信息进行校准，输出检测结果，包括：
将提取的点云特征、上一帧点云的检测结果以及多边组网中各网格的网格信息作为卡尔曼滤波器的输入，以输出检测结果，其中所述网格信息为各网格对应的高置信度目标和低置信度目标，并且所述网格信息用于在输出对应的低置信度目标的检测信息时进行约束。
13.一种用于多个目标检测的设备，包括：
处理器；以及
与所述处理器相连接的存储器，所述存储器中存储有计算机程序代码，当所述计算机程序代码被所述处理器执行时，使得所述设备执行如权利要求1-12中任意一项所述的方法。
14.一种计算机可读存储介质，其包括用于多个目标检测的程序指令，当所述程序指令由一个或多个处理器执行时，使得实现根据权利要求1-12中任意一项所述的方法。
CN202210306790.0A 2022-03-25 2022-03-25 一种用于多个目标检测的方法和相关产品 Pending CN116863325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210306790.0A CN116863325A (zh) 2022-03-25 2022-03-25 一种用于多个目标检测的方法和相关产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210306790.0A CN116863325A (zh) 2022-03-25 2022-03-25 一种用于多个目标检测的方法和相关产品

Publications (1)

Publication Number Publication Date
CN116863325A true CN116863325A (zh) 2023-10-10

Family

ID=88227274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210306790.0A Pending CN116863325A (zh) 2022-03-25 2022-03-25 一种用于多个目标检测的方法和相关产品

Country Status (1)

Country Link
CN (1) CN116863325A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274651A (zh) * 2023-11-17 2023-12-22 北京亮道智能汽车技术有限公司 基于点云的物体检测方法、装置及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274651A (zh) * 2023-11-17 2023-12-22 北京亮道智能汽车技术有限公司 基于点云的物体检测方法、装置及计算机可读存储介质
CN117274651B (zh) * 2023-11-17 2024-02-09 北京亮道智能汽车技术有限公司 基于点云的物体检测方法、装置及计算机可读存储介质

Similar Documents

Publication Publication Date Title
KR102210715B1 (ko) 도로 중의 차도선을 확정하기 위한 방법, 장치 및 기기
CN108509820B (zh) 障碍物分割方法及装置、计算机设备及可读介质
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
CN111192295B (zh) 目标检测与跟踪方法、设备和计算机可读存储介质
WO2022188663A1 (zh) 一种目标检测方法及装置
CN108470174B (zh) 障碍物分割方法及装置、计算机设备及可读介质
CN111444767B (zh) 一种基于激光雷达的行人检测和追踪方法
CN112329754B (zh) 障碍物识别模型训练方法、障碍物识别方法、装置及系统
CN112711034B (zh) 物体检测方法、装置及设备
CN110674705A (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN111257882B (zh) 数据融合方法、装置、无人驾驶设备和可读存储介质
CN114454875A (zh) 一种基于强化学习的城市道路自动泊车方法及系统
CN111913177A (zh) 对目标物探测方法、装置以及存储介质
CN115100741B (zh) 一种点云行人距离风险检测方法、系统、设备和介质
CN115147333A (zh) 一种目标检测方法及装置
CN114882701B (zh) 车位检测方法、装置、电子设备及机器可读存储介质
CN117576665B (zh) 一种面向自动驾驶的单摄像头三维目标检测方法及系统
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
CN116863325A (zh) 一种用于多个目标检测的方法和相关产品
CN116796210B (zh) 基于激光雷达的障碍物检测方法
Ngo et al. Deep evaluation metric: Learning to evaluate simulated radar point clouds for virtual testing of autonomous driving
CN115932883A (zh) 基于激光雷达的导线舞动边界识别方法
CN112906519B (zh) 一种车辆类型识别方法及装置
CN114882458A (zh) 一种目标跟踪方法、系统、介质及设备

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