CN117289255A - 目标检测方法、装置、终端设备及存储介质 - Google Patents

Abstract

本发明公开了一种目标检测方法、装置、终端设备及存储介质，该目标检测方法包括：获取4D毫米波雷达当前帧的点云数据，点云数据包括若干测量点的测量信息；对每个测量点的测量信息进行量化，得到每个测量点的量化向量；基于各个测量点的量化向量，对所述点云数据进行点云聚类，得到所述点云数据中每个目标对应的目标簇；基于所述目标簇估算得到各个目标的绝对速度，并根据所述绝对速度判断各个目标的运动属性。本发明应用于目标检测技术领域，充分利用4D毫米波雷达测得的多普勒速度，以提升点云聚类的准确度，有效地解决了目标检测过程中准确度、稳定性、泛化性和成本难以兼顾的问题。

Description

目标检测方法、装置、终端设备及存储介质

技术领域

本发明涉及目标检测技术领域，具体是一种基于4D毫米波雷达的目标检测方法、装置、终端设备及存储介质。

背景技术

对于具有自动驾驶功能的车辆，用于环境感知与建模的传感器一般包括彩色相机、深度相机、激光雷达、毫米波雷达等。其中，彩色相机可输出丰富的纹理信息，但不能直接输出目标的三维坐标；深度相机可以输出目标的深度，继而可计算目标的三维坐标，但从深度相机获取的三维坐标的精度不高，且深度相机受环境光照影响较大；激光雷达可输出高精度的三维坐标，但不包含目标的纹理信息，并且激光雷达制造成本较高；4D毫米波雷达除了可以输出目标的三维坐标，还可以输出目标的速度。此外，毫米波雷达受恶劣天气(包括雨雪天气、雾天等)的影响较小，而上述其它传感器，受恶劣天气的影响显著。鉴于毫米波雷达的低成本特点，使其在汽车领域具备了无可替代的优势，并被广泛应用于ADAS(Advanced Driving Assistance System，高级驾驶辅助系统)和更高级别的自动驾驶系统中。

基于毫米波雷达的目标检测，最主要的方法就是点云聚类。在一些文献中，不少作者都采用DBSCAN(Density-Based Spatial Clustering of Applications with Noise，基于密度的空间聚类算法)算法进行点云聚类。有的作者采用原始的二维或三维点云进行聚类，没有充分利用多普勒速度，从而导致聚类的准确度不高，进而导致目标检测的准确度和稳定性不高。

发明内容

针对上述现有技术中的不足，本发明提供一种基于4D毫米波雷达的目标检测方法、装置、终端设备及存储介质，有效地解决了目标检测过程中准确度、稳定性、泛化性和成本难以兼顾的问题。

为实现上述目的，本发明提供一种目标检测方法，包括如下步骤：

步骤1，获取4D毫米波雷达当前帧的点云数据，所述点云数据包括若干测量点的测量信息；

步骤2，对每个测量点的测量信息进行量化，得到每个测量点的量化向量；

步骤3，基于各个测量点的量化向量，对所述点云数据进行点云聚类，得到所述点云数据中每个目标对应的目标簇；

步骤4，基于所述目标簇估算得到各个目标的绝对速度，并根据所述绝对速度判断各个目标的运动属性。

在其中一个实施例，步骤2中，对每个测量点的测量信息进行量化包括：

步骤2.1，4D毫米波雷达采集的点云数据具体包括每个测量点在极坐标系中的距离r_i、方向角a_i、高程角b_i和多普勒速度s_i，即可使用向量表示测量点，为：

m_i＝[r_i a_i b_i s_i]^T

其中，m_i为当前帧采集的点云数据中的第i的测量点；

步骤2.2，在每个测量点向量表示的基础上，基于预设的距离分辨率、方向角分辨率、高程角分辨率、多普勒速度分辨率对测量点进行量化，为：

其中，q_i为测量点i的量化向量，r₀、a₀、b₀、s₀分别为距离、方向角、高程角、多普勒速度的分辨率，T为矩阵的转置；

对当前帧点云数据中的所有测量点进行步骤2.1与步骤2.2的处理后，即得到当前帧点云数据中的每个测量点的量化向量。

在其中一个实施例，步骤3中，所述基于各个测量点的量化向量，对所述点云数据进行点云聚类，包括：

步骤3.1，基于所述量化向量将各个测量点转化为四维笛卡尔坐标系中的四维点，组成四维点集合；

步骤3.2，在所述四维点集合中随机选择一个未标记的测量点作为参考点，并判断所述参考点是否为核心点：

若是，在所述四维点集合中筛选出所有与所述核心点密度可达的测量点，得到包含所述核心点以及所有密度可达测量点的一个目标簇，并将该目标簇中的所有测量点标记为已聚类；

否则，将所述参考点标记为已访问；

步骤3.3，判断所述四维点集合中是否存在未标记的测量点：

若是，返回步骤3.2；

否则，输出所有的目标簇。

在其中一个实施例，步骤3.2中，将所述四维点集合中所有测量点所在的空间划分为若干子空间，并将各所述子空间根据点云密度从大至小进行排序，得到子空间序列；

在随机选择未标记测量点的过程中，根据所述子空间序列的序列方向依次在各所述子空间中寻找未标记的测量点。

在其中一个实施例，步骤3.2中，判断所述参考点是否为核心点的过程为：

计算所述参考点与所述四维点集合中所有其它测量点的距离，得到距离小于搜索范围的测量点数量M；

判断M是否大于或等于数量阈值：

若是，所述参考点为核心点；

否则，所述参考点为非核心点。

在其中一个实施例，步骤3.2中，与所述核心点密度可达的测量点为与所述核心点距离小于搜索范围的测量点。

在其中一个实施例，步骤4中，基于所述目标簇估算得到各个目标的绝对速度，包括：

步骤4.1，构建速度模型，为：

v_xcos(α)+v_ysin(α)＝s+v_vsin(α)

其中，v_x、v_y为目标的绝对速度分量，v_v为自车的速度，s为目标的多普勒速度，α为目标的方向角；

步骤4.2，对于任一所述目标簇，将所述目标簇中各个测量点的方向角与多普勒速度代入所述速度模型，得到方程组：

其中，v_xj、v_yj为第j个目标簇所对应目标的绝对速度分量，α₁、α₂、…、α_Mj分别为第j个目标簇中各个测量点的方向角，s₁、s₂、…、s_Mj分别为第j个目标簇中各个测量点的多普勒速度，Mj为第j个目标簇中测量点的数量；

步骤4.3，解算所有所述目标簇对应的所述方程组，得到各个目标的绝对速度分量，并基于所述绝对速度分量得到各个目标的绝对速度。

为实现上述目的，本发明还提供一种目标检测装置，采用上述的方法，所述目标检测装置包括：

点云获取单元，用于获取4D毫米波雷达当前帧的点云数据，所述点云数据包括若干测量点的测量信息；

点云量化单元，用于对每个测量点的测量信息进行量化，得到每个测量点的量化向量；

点云聚类单元，用于根据各个测量点的量化向量，对所述点云数据进行点云聚类，得到所述点云数据每个目标对应的目标簇；

速度估计单元，用于根据所述目标簇估算得到各个目标的绝对速度；

目标检测单元，用于根据所述绝对速度判断各个目标的运动属性。

为实现上述目的，本发明还提供一种终端设备，所述终端设备为计算机、无人车、无人机、无人驾驶设备或移动机器人，所述终端设备上设有：

存储器，用于存储程序；

处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如上述的方法的部分或全部步骤。

为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令；所述计算机执行指令被处理器执行时用于实现如上述的方法的部分或全部步骤。

本发明具有如下有益技术效果：

1.本发明中的目标检测方法，通过在测量点量化后的测量信息基础上进行点云聚类，并根据聚类结果估算目标的绝对速度，判断目标的运动属性，有效地解决了目标检测过程中准确度、稳定性、泛化性和成本难以兼顾的问题；

2.本发明中的目标检测方法，在优选方案中将测量点转换至四维笛卡尔坐标系下，并通过将所有测量点所在的空间划分为若干子空间，并从点云密度更大的子空间开始搜索点云簇的核心点，从而解决点云密度不均匀导致的聚类准确度低的问题；

3.本发明中的目标检测方法，在优选方案中通过构建与测量点方向角和多普勒速度相关的速度模型，并将各个点云簇代入速度模型得到目标的绝对速度，充分利用了测量点的多普勒速度，进而能够快速、准确地估计每个目标的绝对速度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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示出的结构获得其他的附图。

图1为本发明实施例1中目标检测方法的流程图；

图2为本发明实施例1中速度的几何示意图；

图3为本发明实施例2中目标检测装置的结构框图；

图4为本发明实施例3中终端设备的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是物理连接或无线通信连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

实施例1

本实施例公开了一种目标检测方法，基于成本较低的4D毫米波雷达，充分利用4D毫米波雷达测得的距离、方向角、高程角以及多普勒速度进行点云聚类，提升聚类的准确度，并通过构建与测量点方向角和多普勒速度相关的速度模型，结合点云聚类结果快速、准确地估计目标的绝对速度，有效地解决了目标检测过程中准确度、稳定性、泛化性和成本难以兼顾的问题。

参考图1，本实施例中的目标检测方法具体包括如下步骤：

步骤1，获取4D毫米波雷达当前帧的点云数据，其中，点云数据包括若干测量点的测量信息，具体包括各个测量点在极坐标系中的距离r_i、方向角a_i、高程角b_i和多普勒速度s_i；

步骤2，基于预设的距离分辨率、方向角分辨率、高程角分辨率、多普勒速度分辨率对当前帧点云数据中的每个测量点的测量信息进行量化，得到每个测量点的量化向量；

步骤3，基于各个测量点的量化向量，采用一种自适应的DBSCAN算法对当前帧采集的点云数据进行点云聚类，得到当前帧点云数据中每个目标对应的目标簇；

步骤4，基于每个目标对应的目标簇估算得到各个目标的绝对速度，并根据绝对速度判断各个目标的运动属性并输出，例如输出目标为动态目标或静态目标。

在步骤2中，对每个测量点的测量信息进行量化的具体实施过程为：

步骤2.1，4D毫米波雷达采集的点云数据具体包括每个测量点在极坐标系中的距离r_i、方向角a_i、高程角b_i和多普勒速度s_i，即可使用一个向量表示每一个测量点，为：

m_i＝[r_i a_i b_i s_i]^T

其中，m_i为当前帧采集的点云数据中的第i的测量点；

步骤2.2，在每个测量点向量表示的基础上，基于预设的距离分辨率、方向角分辨率、高程角分辨率、多普勒速度分辨率对测量点进行量化，为：

其中，q_i为测量点i的量化向量，r_i、a_i、b_i、s_i分别为测量点i的距离、方向角、高程角与多普勒速度，r₀、a₀、b₀、s₀分别为距离、方向角、高程角、多普勒速度的分辨率，T为矩阵的转置；

对当前帧点云数据中的所有测量点进行步骤2.1与步骤2.2的处理后，即得到当前帧点云数据中的每个测量点的量化向量。

在步骤3中，由于毫米波雷达的四个主要测量值(距离、方向角、高程角、多普勒速度)的量纲各不相同，聚类时，难以在统一的坐标系中直接计算点与点之间的距离，从而难以高效、准确地估计簇与簇之间的相似性。为此，本实施例中通过建立四维笛卡尔坐标系CS-4，当前帧点云数据中的每个测量点的量化向量q_i对应四维笛卡尔坐标系中的一个四维点Q_i(R_i，A_i，B_i，S_i)，其中：

毫米波雷达的四个测量值经量化之后，消除了量纲的影响，可直接计算点与点之间的欧式距离。同时，量化之后的四维点，可在空间内较均匀地分布。在此基础上，本实施例中基于各个测量点的量化向量，对点云数据进行点云聚类的具体实施过程为：

步骤3.1，基于各个测量点的量化向量将各个测量点转化为四维笛卡尔坐标系中的四维点，组成一个包含所有测量点的四维点集合；

步骤3.2，在四维点集合中随机选择一个未标记已访问且未标记已聚类的测量点作为参考点，并基于该参考点的密度可达测量点的数量判断该参考点是否为核心点：

若该参考点为核心点，则在四维点集合中筛选出所有与核心点密度可达且未标记已聚类的测量点，得到包含该核心点及其所有密度可达测量点的一个目标簇，并将该目标簇中的所有测量点标记均为已聚类；

若该参考点不是核心点，则将该参考点标记为已访问；

步骤3.3，判断四维点集合中是否存在未标记的测量点，其中，标记为已聚类的测量点与标记为已访问的测量点均为已标记的测量点：

若是，返回步骤3.2；

否则，输出所有的目标簇，每一个目标簇即对应当前帧点云数据中的一个目标。

在步骤3.2中，基于该参考点的密度可达测量点的数量判断该参考点是否为核心点的具体实施方式为：

计算参考点与四维点集合中所有其它未标记已聚类的测量点间的欧式距离，并统计欧式距离小于搜索范围ε的测量点数量M，再判断M是否大于或等于数量阈值T_p：

若是，则判定该参考点为核心点；

否则，判定该参考点为非核心点。

在步骤3.2中，参考点的密度可达测量点指的是与核心点之间欧式距离小于搜索范围ε的测量点。

作为优选地实施方式，在步骤3.2中，在随机选择一个未标记已访问且未标记已聚类的测量点作为参考点之前，先将四维点集合中所有测量点所在的空间均匀的划分为若干子空间，具体的划分方式如下：

假设四个坐标轴方向上的坐标范围分别为[R_min，R_max]、[A_min，A_max]、[B_min，B_max]和[s_min，s_max]，预设四个坐标轴方向的子空间数量分别为N₁、N₂、N₃和N₄，则四个坐标轴方向上，每个子空间的长度为

将各子空间根据点云密度的大小从大至小进行排序，得到子空间序列。在随机选择未标记已访问且未标记已聚类的测量点的过程中，根据子空间序列的序列方向依次在各子空间中寻找未标记的测量点，即先在点云密度最大的子空间搜索满足条件的参考点，若搜索不到再从第二个子空间内搜索，依次类推，从而有效地解决点云密度不均匀导致的聚类准确度低的问题。

为简化计算，本实施例中间所有的目标都默认为是刚体，且同一个目标的所有测量点对应的绝对速度相同，且目标在水平面内运动，即不考虑目标在垂直于地面方向上的绝对速度分量v_z。并且定义自车的速度朝向车体坐标系y轴的正方向，毫米波雷达坐标系为右手坐标系，其y轴与车辆坐标系y轴之间的夹角可忽略不计。基于此，本实施例步骤4中基于目标簇估算得到各个目标绝对速度的具体实施过程包括：

步骤4.1，构建速度模型：

根据图2中的几何关系，可建立速度方程，为：

v_acos(θ-α)-v_vsin(α)＝s

其中，v_a为目标的绝对速度，v_v为自车的速度，s为目标的多普勒速度，α为目标的方向角，θ为目标的多普勒速度与毫米波雷达坐标系x轴的夹角；

展开速度方程，可得：

v_acos(θ)cos(α)+v_asin(θ)sin(α)＝sv_vsin(α)

令v_x＝v_acos(θ)、v_y＝v_asin(θ)，即可得到速度模型，为：

v_xcos(α)+v_ysin(α)＝s+v_vsin(α)

其中，v_x、v_y为目标的绝对速度分量；

步骤4.2，对于任一目标簇，将目标簇中各个测量点的方向角与多普勒速度代入上述的速度模型，可得到方程组：

其中，v_xj、v_yj为第j个目标簇所对应目标的绝对速度分量，α₁、α₂、…、α_Mj分别为第j个目标簇中各个测量点的方向角，s₁、s₂、…、s_Mj分别为第j个目标簇中各个测量点的多普勒速度，M_j为第j个目标簇中测量点的数量；

上述方程组的系数矩阵P_j为：

因此上述方程组可简化为：

步骤4.3，解算所有目标簇对应的方程组，得到各个目标的绝对速度分量v_xj、v_yj，并基于绝对速度分量得到各个目标的绝对速度，为：

其中，θ_j为第j个目标簇所对应目标绝对速度的方向角，v_aj为第j个目标簇所对应目标绝对速度的标量。

值得注意的是，若系数矩阵P_j的秩等于2，则可直接解算上述方程组，得到目标j绝对速度的分量v_xj、v_yj。若系数矩阵P_j的秩大于2，则可采用最小二乘法、SVD(Singular ValueDecomposition，奇异值分解)、QR分解法或其它算法，估计目标j绝对速度的分量v_xj、v_yj。一般，组成一个目标的点的数量不小于2，故而暂不考虑秩系数矩阵P_j小于2的情况。

在得到每个目标的绝对速度后，即可判断各个目标的运动属性。例如，若目标j的绝对速度标量v_aj小于设定阈值，则判定目标j为静态目标并输出，否则判定目标j为动态目标并输出。

本实施例中的目标检测方法可应用于无人车、无人机、无人驾驶设备或移动机器人等自动驾驶设备，采用低成本的4D毫米波雷达，并充分利用4D毫米波雷达测得的多普勒速度，以提升点云聚类的准确度，能够广泛的应用于包括恶劣天气在内的各种场景，有效地解决了目标检测过程中准确度、稳定性、泛化性和成本难以兼顾的问题。

实施例2

基于实施例1中的目标检测方法，本实施例公开了一种基于4D毫米波雷达的目标检测装置。参考图3，该目标检测装置包括点云获取单元、点云量化单元、点云聚类单元、速度估计单元与目标检测单元。该目标检测装置用于执行实施例1中目标检测方法的部分或全部步骤，进而实现自动驾驶过程中的目标检测。具体地：

点云获取单元用于获取4D毫米波雷达当前帧的点云数据，点云数据包括若干测量点的测量信息；

点云量化单元用于对每个测量点的测量信息进行量化，得到每个测量点的量化向量；

点云聚类单元用于根据各个测量点的量化向量，对点云数据进行点云聚类，得到点云数据每个目标对应的目标簇；

速度估计单元用于根据目标簇估算得到各个目标的绝对速度；

目标检测单元用于根据绝对速度判断各个目标的运动属性。

本实施例中，点云获取单元、点云量化单元、点云聚类单元、速度估计单元与目标检测单元的具体工作过程以及工作原理均与实施例1中的方法相同，因此本实施例中不再对其进行赘述。

实施例3

如图4所示为本实施例公开的一种终端设备，包括发送器、接收器、存储器以及处理器。其中，发送器用于发送指令和数据，接收器用于接收指令和数据，存储器用于存储计算机执行指令，处理器用于执行存储器存储的计算机执行指令，以实现上述实施例1中目标检测方法所执行的部分或全部步骤。其具体实施过程与前述实施例1中目标检测方法相同。

需要注意的是，上述存储器既可以是独立的，也可以跟处理器集成在一起。当存储器独立设置时，该终端设备还包括总线，用于连接存储器和处理器。

在具体应用过程中，终端设备为计算机、无人车、无人机、无人驾驶设备或移动机器人等。

实施例4

本实施例公开了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现上述实施例1中目标检测方法所执行的部分或全部步骤。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种目标检测方法，其特征在于，包括如下步骤：

步骤1，获取4D毫米波雷达当前帧的点云数据，所述点云数据包括若干测量点的测量信息；

步骤2，对每个测量点的测量信息进行量化，得到每个测量点的量化向量；

步骤3，基于各个测量点的量化向量，对所述点云数据进行点云聚类，得到所述点云数据中每个目标对应的目标簇；

步骤4，基于所述目标簇估算得到各个目标的绝对速度，并根据所述绝对速度判断各个目标的运动属性。

2.根据权利要求1所述的目标检测方法，其特征在于，步骤2中，对每个测量点的测量信息进行量化包括：

步骤2.1，4D毫米波雷达采集的点云数据具体包括每个测量点在极坐标系中的距离r_i、方向角a_i、高程角b_i和多普勒速度s_i，即可使用向量表示测量点，为：

m_i＝[r_i a_i b_i s_i]^T

其中，m_i为当前帧采集的点云数据中的第i的测量点；

步骤2.2，在每个测量点向量表示的基础上，基于预设的距离分辨率、方向角分辨率、高程角分辨率、多普勒速度分辨率对测量点进行量化，为：

其中，q_i为测量点i的量化向量，r₀、a₀、b₀、s₀分别为距离、方向角、高程角、多普勒速度的分辨率，T为矩阵的转置；

对当前帧点云数据中的所有测量点进行步骤2.1与步骤2.2的处理后，即得到当前帧点云数据中的每个测量点的量化向量。

3.根据权利要求2所述的目标检测方法，其特征在于，步骤3中，所述基于各个测量点的量化向量，对所述点云数据进行点云聚类，包括：

步骤3.1，基于所述量化向量将各个测量点转化为四维笛卡尔坐标系中的四维点，组成四维点集合；

步骤3.2，在所述四维点集合中随机选择一个未标记的测量点作为参考点，并判断所述参考点是否为核心点：

若是，在所述四维点集合中筛选出所有与所述核心点密度可达的测量点，得到包含所述核心点以及所有密度可达测量点的一个目标簇，并将该目标簇中的所有测量点标记为已聚类；

否则，将所述参考点标记为已访问；

步骤3.3，判断所述四维点集合中是否存在未标记的测量点：

若是，返回步骤3.2；

否则，输出所有的目标簇。

4.根据权利要求3所述的目标检测方法，其特征在于，步骤3.2中，将所述四维点集合中所有测量点所在的空间划分为若干子空间，并将各所述子空间根据点云密度从大至小进行排序，得到子空间序列；

在随机选择未标记测量点的过程中，根据所述子空间序列的序列方向依次在各所述子空间中寻找未标记的测量点。

5.根据权利要求3所述的目标检测方法，其特征在于，步骤3.2中，判断所述参考点是否为核心点的过程为：

计算所述参考点与所述四维点集合中所有其它测量点的距离，得到距离小于搜索范围的测量点数量M；

判断M是否大于或等于数量阈值：

若是，所述参考点为核心点；

否则，所述参考点为非核心点。

6.根据权利要求3所述的目标检测方法，其特征在于，步骤3.2中，与所述核心点密度可达的测量点为与所述核心点距离小于搜索范围的测量点。

7.根据权利要求1至6任一项所述的目标检测方法，其特征在于，步骤4中，基于所述目标簇估算得到各个目标的绝对速度，包括：

步骤4.1，构建速度模型，为：

v_xcos(α)+v_ysin(α)＝s+v_vsin(α)

其中，v_x、v_y为目标的绝对速度分量，v_v为自车的速度，s为目标的多普勒速度，α为目标的方向角；

步骤4.2，对于任一所述目标簇，将所述目标簇中各个测量点的方向角与多普勒速度代入所述速度模型，得到方程组：

其中，v_xj、v_yj为第j个目标簇所对应目标的绝对速度分量，α₁、α₂、…、α_Mj分别为第j个目标簇中各个测量点的方向角，s₁、s₂、…、s_Mj分别为第j个目标簇中各个测量点的多普勒速度，Mj为第j个目标簇中测量点的数量；

步骤4.3，解算所有所述目标簇对应的所述方程组，得到各个目标的绝对速度分量，并基于所述绝对速度分量得到各个目标的绝对速度。

8.一种目标检测装置，其特征在于，采用权利要求1至7任一项所述的方法，所述目标检测装置包括：

点云获取单元，用于获取4D毫米波雷达当前帧的点云数据，所述点云数据包括若干测量点的测量信息；

点云量化单元，用于对每个测量点的测量信息进行量化，得到每个测量点的量化向量；

点云聚类单元，用于根据各个测量点的量化向量，对所述点云数据进行点云聚类，得到所述点云数据每个目标对应的目标簇；

速度估计单元，用于根据所述目标簇估算得到各个目标的绝对速度；

目标检测单元，用于根据所述绝对速度判断各个目标的运动属性。

9.一种终端设备，所述终端设备为计算机、无人车、无人机、无人驾驶设备或移动机器人，其特征在于，所述终端设备上设有：

存储器，用于存储程序；

处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如权利要求1至7中任一项所述的方法的部分或全部步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令；所述计算机执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的方法的部分或全部步骤。