CN118035769A - 点云聚类方法、装置、设备、存储介质及车辆 - Google Patents

点云聚类方法、装置、设备、存储介质及车辆 Download PDF

Info

Publication number
CN118035769A
CN118035769A CN202410246542.0A CN202410246542A CN118035769A CN 118035769 A CN118035769 A CN 118035769A CN 202410246542 A CN202410246542 A CN 202410246542A CN 118035769 A CN118035769 A CN 118035769A
Authority
CN
China
Prior art keywords
point
point cloud
information
space
matrix
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
CN202410246542.0A
Other languages
English (en)
Inventor
黄程程
王顺月
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.)
Jingwei Hengrun Tianjin Research And Development Co ltd
Original Assignee
Jingwei Hengrun Tianjin Research And Development 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 Jingwei Hengrun Tianjin Research And Development Co ltd filed Critical Jingwei Hengrun Tianjin Research And Development Co ltd
Priority to CN202410246542.0A priority Critical patent/CN118035769A/zh
Publication of CN118035769A publication Critical patent/CN118035769A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开了一种点云聚类方法、装置、设备、存储介质及车辆，涉及车辆技术领域。其方法包括：获取车辆在第i帧下检测到的点云信息，点云信息包括至少一个空间点的点信息，点信息包括空间点的坐标信息；根据点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵，网格系统包括多个网格，数量矩阵包括多个元素的数值，各元素的数值为对应网格中空间点的数量；对数量矩阵进行处理，确定各空间点的类别标签，类别标签用于指示空间点对应类别的点云簇；根据各空间点的类别标签，将至少一个空间点聚类为至少一个点云簇，不同点云簇中空间点的类别标签不同。

Description

点云聚类方法、装置、设备、存储介质及车辆
技术领域
本申请属于车辆技术领域，尤其涉及一种点云聚类方法、装置、设备、存储介质及车辆。
背景技术
雷达传感器凭借着受天气影响较小、能够全天候工作、具有纵向维度感知能力、能够感知非视距目标等特征，在智能驾驶感知域中的地位不断提高。但随着技术的快速迭代，雷达传感器生成的点云数量大幅增加，并随着技术的不断进步仍有可能会继续提升，这样使得对点云进行聚类计算时，算法运行速度会变慢，无法满足智能驾驶场景的实时性需求。
发明内容
本申请实施例提供一种点云聚类方法、装置、设备、存储介质及车辆，能够不受限于点云数量的提升，不会影响运行速度。
第一方面，本申请实施例提供一种点云聚类方法，方法包括：
获取车辆在第i帧下检测到的点云信息，所述点云信息包括至少一个空间点的点信息，所述点信息包括所述空间点的坐标信息，所述坐标信息用于表征所述空间点在所述车辆的车身坐标系中的位置坐标；
根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵，所述网格系统包括多个网格，所述数量矩阵包括多个元素的数值，各所述元素的数值为对应所述网格中所述空间点的数量；
对所述数量矩阵进行处理，确定各所述空间点的类别标签，所述类别标签用于指示所述空间点对应类别的点云簇；
根据各所述空间点的类别标签，将所述至少一个空间点聚类为至少一个点云簇，不同所述点云簇中所述空间点的类别标签不同。
第二方面，本申请实施例提供了一种点云聚类装置，装置包括：
第一获取模块，用于获取车辆在第i帧下检测到的点云信息，所述点云信息包括至少一个空间点的点信息，所述点信息包括所述空间点的坐标信息，所述坐标信息用于表征所述空间点在所述车辆的车身坐标系中的位置坐标；
生成模块，用于根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵，所述网格系统包括多个网格，所述数量矩阵包括多个元素的数值，各所述元素的数值为对应所述网格中所述空间点的数量；
第一确定模块，用于对所述数量矩阵进行处理，确定各所述空间点的类别标签，所述类别标签用于指示所述空间点对应类别的点云簇；
聚类模块，用于根据各所述空间点的类别标签，将所述至少一个空间点聚类为至少一个点云簇，不同所述点云簇中所述空间点的类别标签不同。
第三方面，本申请实施例提供了一种电子设备，设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如上任意一项所述的点云聚类方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如上任意一项所述的点云聚类方法。
第五方面，本申请实施例提供了一种车辆，包括：电子设备，所述电子设备用于实现如上任意一项所述的点云聚类方法。
本申请实施例的点云聚类方法、装置、设备、存储介质及车辆，能够根据车辆在第i帧下检测到的点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵，网格系统包括多个网格，数量矩阵包括多个元素的数值，各元素的数值为对应网格中空间点的数量；对数量矩阵进行处理，确定各空间点的类别标签，类别标签用于指示空间点对应类别的点云簇；根据各空间点的类别标签，将至少一个空间点聚类为至少一个点云簇，不同点云簇中空间点的类别标签不同。如此，本申请实施例，根据车辆在第i帧下检测到的点云信息，将至少一个空间点映射在车身坐标系对应的网格系统中，得到数量矩阵并进行后续的聚类处理，因此，不论点云数量生成多少，只需对数量矩阵进行聚类计算，从而不受限于点云数量的提升，不会影响运行速度，满足智能驾驶场景的实时性需求。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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获得其他的附图。
图1是本申请实施例提供的点云聚类方法的流程示意图；
图2是本申请实施例提供的WaveCluster算法点云数据处理流程示意图；
图3是本申请实施例提供的动静点云快速判别方法流程示意图；
图4是本申请实施例提供的动静点云快速判别效果示意图；
图5是本申请实施例提供的WaveCluster算法计算流程示意图；
图6是本申请实施例提供的WaveCluster点云聚类结果俯视图；
图7是本申请实施例提供的点云聚类装置的结构示意图；
图8是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
雷达传感器凭借着受天气影响较小、能够全天候工作、具有纵向维度感知能力、能够感知非视距目标等特征，在智能驾驶感知域中的地位不断提高。但随着技术的快速迭代，雷达传感器生成的点云数量大幅增加，传统基于级联方案的4D毫米波雷达每帧大约能生成500-600个左右的点云数据，但对于更为先进的集成芯片方案，高收发通道数的4D毫米波雷达已经能够产生每帧至少5000-6000个点云数据，在复杂路况场景下甚至有每帧40000个以上的点云数据产生，并随着技术的不断进步仍有可能会继续提升，这样使得对点云进行聚类计算时，算法运行速度会变慢，无法满足智能驾驶场景的实时性需求。
为了解决现有技术问题，本申请实施例提供了一种点云聚类方法、装置、设备、存储介质及车辆。下面首先对本申请实施例所提供的点云聚类方法进行介绍。
图1示出了本申请一个实施例提供的点云聚类方法的流程示意图。如图1所示，一种点云聚类方法，可以包括以下步骤S101至S104：
S101、获取车辆在第i帧下检测到的点云信息，点云信息包括至少一个空间点的点信息，点信息包括空间点的坐标信息，坐标信息用于表征空间点在车辆的车身坐标系中的位置坐标；
S102、根据点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵，网格系统包括多个网格，数量矩阵包括多个元素的数值，各元素的数值为对应网格中空间点的数量；
S103、对数量矩阵进行处理，确定各空间点的类别标签，类别标签用于指示空间点对应类别的点云簇；
S104、根据各空间点的类别标签，将至少一个空间点聚类为至少一个点云簇，不同点云簇中空间点的类别标签不同。
本申请实施例的点云聚类方法，能够根据车辆在第i帧下检测到的点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵，网格系统包括多个网格，数量矩阵包括多个元素的数值，各元素的数值为对应网格中空间点的数量；对数量矩阵进行处理，确定各空间点的类别标签，类别标签用于指示空间点对应类别的点云簇；根据各空间点的类别标签，将至少一个空间点聚类为至少一个点云簇，不同点云簇中空间点的类别标签不同。如此，本申请实施例，根据车辆在第i帧下检测到的点云信息，将至少一个空间点映射在车身坐标系对应的网格系统中，得到数量矩阵并进行后续的聚类处理，因此，不论点云数量生成多少，只需对数量矩阵进行聚类计算，从而不受限于点云数量的提升，不会影响运行速度，满足智能驾驶场景的实时性需求。
在S101中，上述点云信息可以包括至少一个空间点的点信息，其中，点信息又可以包括空间点的坐标信息。点信息不仅限于此，还可以包括径向距离、俯仰角、方位角、多普勒速度、反射强度、相位、时间戳等基本信息。上述坐标信息可以用于表征空间点在车辆的车身坐标系中的位置坐标，示例性地，可以是每个空间点在笛卡尔坐标系下的x、y、z值。
上述点云信息的检测，示例性地，可以是激光雷达、RGB摄像头、深度摄像头以及毫米波雷达等设备，本申请实施例中具体是采用4D毫米波雷达检测点云信息的，本申请实施例中，不仅限于此，还可以是其他能够采集点云信息的设备，不同设备的选择取决于具体的应用需求和预算限制，在此不做具体限定。
上述获取车辆在第i帧下检测到的点云信息，具体可以包括：获取车辆通过4D毫米波雷达在第i帧下检测到的点云数据，点云数据为至少一个空间点的数据；对点云数据进行解析，得到点云信息，点信息包括径向距离、俯仰角和方位角；根据各空间点的径向距离、俯仰角和方位角，计算得到各空间点的坐标信息。
在S102中，上述网格系统，可以包括多个网格，网格大小均等。
上述数量矩阵，可以包括多个元素的数值，各元素的数值为对应网格中空间点的数量。
上述根据点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵，示例性地，可以是对所有空间点建立大小均等网格的网格系统，将笛卡尔坐标系下的所有空间点一一映射到网格系统中，统计每个网格中空间点的数量并转换为对应的数量矩阵，数量矩阵中每个元素的数值即为对应网格中具有的空间点个数。
在S103中，上述类别标签，可以是不同目标对象的名称，例如建筑、护栏、车辆、行人等，能够用于指示空间点对应类别的点云簇。其中，点云簇为对点云信息进行聚类分析时，根据一定的规则或算法，将相似的空间点归为同一簇。
上述对数量矩阵进行处理，确定各空间点的类别标签，示例性地，可以是对数量矩阵进行离散小波变换，得到小波滤波矩阵；根据预设密度阈值对小波滤波矩阵进行转换，得到判别矩阵，判别矩阵包括第一元素和第二元素，第一元素为小波滤波矩阵中小于等于密度阈值的元素转换到的元素，第二元素为小波滤波矩阵中大于密度阈值的元素转换得到的元素；将判别矩阵中不间断相连的第二元素确定为同一聚类簇，并为各聚类簇赋予簇类标号，得到标签矩阵，不同聚类簇对应不同簇类标号；将标签矩阵中各元素的数值映射至网格系统中，确定各网格中空间点的类别标签，不同簇类标号对应不同类别标签。
在S104中，上述不同点云簇中空间点的类别标签不同。
上述根据各空间点的类别标签，将至少一个空间点聚类为至少一个点云簇，示例性地，可以是将至少一个空间点按照各空间点的类别标签进行分配，相同类别标签的空间点分配至同一个点云簇，可以得到至少一个点云簇。
在一些实施例中，上述S103，具体可以包括：
对数量矩阵进行离散小波变换，得到小波滤波矩阵；
根据预设密度阈值对小波滤波矩阵进行转换，得到判别矩阵，判别矩阵包括第一元素和第二元素，第一元素为小波滤波矩阵中小于等于密度阈值的元素转换到的元素，第二元素为小波滤波矩阵中大于密度阈值的元素转换得到的元素；
将判别矩阵中不间断相连的第二元素确定为同一聚类簇，并为各聚类簇赋予簇类标号，得到标签矩阵，不同聚类簇对应不同簇类标号；
将标签矩阵中各元素的数值映射至网格系统中，确定各网格中空间点的类别标签，不同簇类标号对应不同类别标签。
上述小波变换，示例性地，可以是双正交小波变换，具有对称性和正交性，相比正交小波变换等响应更加平滑，相较哈尔小波(Haar Wavelet)和多贝西小波(DaubechiesWavelet)等常见的小波变换，最终聚类精确度有较大幅度的提高。
上述第一元素，可以为小波滤波矩阵中小于等于密度阈值的元素转换到的元素。示例性地，第一元素为数值0，上述判别矩阵中所有为0的元素，不做任何数值更新，将所有数值为0的元素对应的网格全部看作无点云数据区域或孤立的噪声点云。
上述第二元素为小波滤波矩阵中大于密度阈值的元素转换得到的元素，示例性地，第二元素为数值1。
上述密度阈值，可以根据第i帧下检测到的点云数量而设置具体数值。
上述聚类簇，由判别矩阵中不间断相连的第二元素组成，不同聚类簇对应不同簇类标号，簇类标号示例性地可以是0至100，聚类簇数取决于第i帧下检测到的点云数量，由于每帧输入的点云数据量不固定，聚类簇数与当前帧输入的点云数量呈正相关，可以随点云数量上升而增大。
上述标签矩阵包括至少一个聚类簇的簇类标号，不同聚类簇对应不同簇类标号。上述不同簇类标号对应不同类别标签，示例性地，簇类标号为0对应的类别标签为建筑，簇类标号为1对应的类别标签为车辆。本申请实施例中，不仅限于此，簇类标号与类别标签的对应关系，可以根据用户的实际需求进行设定，在此不做具体限定。
本实施例中，通过对数量矩阵进行离散小波变换得到小波滤波矩阵，再根据预设密度阈值对小波滤波矩阵进行转换得到判别矩阵，将判别矩阵中不间断相连的第二元素确定为同一聚类簇，并为各聚类簇赋予簇类标号，得到标签矩阵，最后将标签矩阵中各元素的数值映射至网格系统中，可以准确得知各网格中空间点的类别标签。
作为本申请的一种实现方式，为了便于对不同目标对象进行分类和识别，上述点信息还包括多普勒速度，
在上述S102之前，还可以包括：
获取至少一个空间点的第一多普勒速度阈值和第二多普勒速度阈值，第一多普勒速度阈值大于第二多普勒速度阈值；
在点云信息中，将多普勒速度大于第二多普勒速度阈值且小于第一多普勒速度阈值的点信息确定为静态点云信息；
在点云信息中，将多普勒速度小于等于第二多普勒速度阈值，或多普勒速度大于等于第一多普勒速度阈值的点信息确定为动态点云信息；
根据点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵，包括：
根据静态点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成第一子数量矩阵；
根据动态点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成第二子数量矩阵；
数量矩阵包括第一子数量矩阵和第二子数量矩阵。
上述多普勒速度，是指物体相对于观测者的速度引起的多普勒效应所测得的速度。多普勒效应是指当物体相对于观测者靠近或远离时，其发出的波的频率会发生改变。在雷达和毫米波雷达等传感器技术中，多普勒速度被用来测量目标物体相对于传感器的运动速度。通过分析接收到的信号的频率变化，可以计算出目标物体的多普勒速度。
上述获取至少一个空间点的第一多普勒速度阈值和第二多普勒速度阈值，示例性地，可以是对至少一个空间点的多普勒速度按照从小到大进行排序，得到第一目标百分位数和第二目标百分位数，第二目标百分位数大于第一目标百分位数；将第二目标百分位数与第一目标百分位数的差值与预设第一常数值相加，得到基础分位距；将基础分位距与预设第二常数值之积，与第二目标百分位数相加，得到第一多普勒速度阈值；将第一目标百分位数，减去，基础分位距与预设第二常数值之积，得到第二多普勒速度阈值。
上述静态点云信息，示例性地，可以是建筑物、地面等静止物体的点云信息。上述动态点云信息，示例性地，可以是车辆周围的其他车辆、行人等移动物体的点云信息。
本实施例中，在点云信息中，将多普勒速度大于第二多普勒速度阈值且小于第一多普勒速度阈值的点信息确定为静态点云信息，将多普勒速度小于等于第二多普勒速度阈值，或多普勒速度大于等于第一多普勒速度阈值的点信息确定为动态点云信息，以便于在后续处理中，更为准确得到静态点云簇和动态点云簇，便于对不同目标对象进行分类和识别。
在一些实施例中，上述获取至少一个空间点的第一多普勒速度阈值和第二多普勒速度阈值，具体可以包括：
对至少一个空间点的多普勒速度按照从小到大进行排序，得到第一目标百分位数和第二目标百分位数，第二目标百分位数大于第一目标百分位数；
将第二目标百分位数与第一目标百分位数的差值与预设第一常数值相加，得到基础分位距；
将基础分位距与预设第二常数值之积，与第二目标百分位数相加，得到第一多普勒速度阈值；
将第一目标百分位数，减去，基础分位距与预设第二常数值之积，得到第二多普勒速度阈值。
上述第一目标百分位数，示例性地，可以是四十百分位数。上述第二目标百分位数，示例性地，可以是六十百分位数。本申请实施例中，第一目标百分位数和第二目标百分位数不仅限于四十百分位数和六十百分位数，还可以是其他数值，具体情况根据用户实际需求进行设定，在此不做具体限定。
上述第一常数值，可以是大于零的常数值，用于确保判定区间的上下限差值不为零。
上述第二常数值，可以根据数据特征动态调整上下限范围。
本实施例中，通过对至少一个空间点的多普勒速度按照从小到大进行排序，得到第一目标百分位数和第二目标百分位数，并结合第一常数值和第二常数值，可以准确计算得到第一多普勒速度阈值和第二多普勒速度阈值。
在一些实施例中，在上述在点云信息中，将多普勒速度大于第二多普勒速度阈值且小于第一多普勒速度阈值的点信息确定为静态点云信息之前，还可以包括：
计算第一多普勒速度阈值与第二多普勒速度阈值的差值；
上述在点云信息中，将多普勒速度大于第二多普勒速度阈值且小于第一多普勒速度阈值的点信息确定为静态点云信息，具体可以包括：
在差值小于预设第三常数值的情况下，在点云信息中，将多普勒速度大于第二多普勒速度阈值且小于第一多普勒速度阈值的点信息确定为静态点云信息。
上述第三常数值，可以用于判定当前帧的点云中是否存在静态目标过少。
上述差值小于预设第三常数值的情况，认为当前帧内静态点云数量充足，动静点云判别依据可信。
在差值大于预设第三常数值的情况下，使用历史帧中的上下限作为当前帧的动静点云判据，区分动态点云及静态点云。
本实施例中，通过计算第一多普勒速度阈值与第二多普勒速度阈值的差值，并与预设第三常数值进行比较，以判定第一多普勒速度阈值与第二多普勒速度阈值是否可有效用于动静点云的划分，从而提升点云聚类的准确性。
作为本申请的另一种实现方式，为了对不准确的动态点云簇进行修正，在上述在根据各空间点的类别标签，将至少一个空间点聚类为至少一个点云簇之后，还可以包括：
对至少一个点云簇中的静态点云簇标记第一外边框和动态点云簇标记第二外边框，静态点云簇为至少一个点云簇中由静态点云信息处理得到的点云簇，动态点云簇为至少一个点云簇中由动态点云信息处理得到的点云簇；
计算目标静态点云簇的第一外边框和目标动态点云簇的第二外边框的交并比值，目标静态点云簇和目标动态点云簇为至少一个点云簇中距离最近的静态点云簇和动态点云簇，交并比值为目标静态点云簇的第一外边框和目标动态点云簇的第二外边框交集面积与并集面积之比；
在交并比值小于预设面积阈值的情况下，将目标动态点云簇修正为静态点云簇。
上述第一外边框和第二外边框不同，示例性地，第一外边框可以是虚线外边框，第二外边框可以是实线外边框，本申请中第一外边框和第二外边框的具体形状，可以根据用户实际需求进行设定，在此不做具体限定。
上述交并比值为目标静态点云簇的第一外边框和目标动态点云簇的第二外边框交集面积与并集面积之比。
本实施例中，通过计算目标静态点云簇的第一外边框和目标动态点云簇的第二外边框的交并比值，并在交并比值小于预设面积阈值的情况下，将目标动态点云簇修正为静态点云簇，可以对不准确的动态点云簇进行修正。
在一些实施例中，上述点信息还可以包括反射强度，
在上述S102之前，还可以包括：
在点云信息中，将反射强度低于预设信噪比阈值的点信息滤除，得到第一点云信息；
上述S102，具体可以包括：
根据第一点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵。
上述反射强度，可以是指激光束或其他传感器发射的能量在与物体相交时被物体反射回传感器的强度。
上述信噪比阈值，可以是用户根据实际需求设置的信号的强度与噪声的强度之间的比值。
本实施例中，当反射强度低于信噪比阈值时，通常意味着该点的信号强度非常弱，可能是由于噪声、遮挡或其他因素导致的测量误差。通过滤除反射强度低于信噪比阈值的噪点点云，可以得到可靠和准确的第一点云信息，从而提升点云聚类的准确性。
在一些实施例中，在上述S102之前，还可以包括：
获取车辆在第i帧下的地杂波范围；
在点云信息中，将坐标信息指示空间点位于地杂波范围内的点信息滤除，得到第二点云信息；
上述S102，具体可以包括：
根据第二点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵。
上述地杂波是雷达信号处理中的一个概念，指的是雷达信号中来自地面的噪声或干扰。当雷达工作时，发射的信号会经过大气层并与地面或地面上的物体发生相互作用，从而产生回波信号。这些回波信号中，除了来自目标物体的有效信号外，还会包含来自地面的杂波。
上述获取车辆在第i帧下的地杂波范围，示例性地，可以是根据雷达分辨率和雷达当前模式测距距离等确定地杂波判定范围，计算并分析点云数据分析，设定地杂波出现在|x|<xclutter且|y|<yclutter的判定范围内，根据雷达安装高度确定高度维度上的阈值上下限zupper和zlower。
本实施例中，地杂波对雷达系统的性能和目标检测能力造成负面影响，因此，通过在点云信息中，将坐标信息指示空间点位于地杂波范围内的点信息滤除，可以得到可靠和准确的第二点云信息，从而提升点云聚类的准确性。
在一些实施例中，在上述S102之前，还可以包括：
在点云信息中，将坐标信息指示空间点位于预设的高度阈值范围外的点信息滤除，得到第三点云信息；
上述S102，具体可以包括：
根据第三点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵。
上述高度阈值范围，可以是车辆高度信息和雷达安装高度确认可安全穿越的高度范围，例如，车辆高度为3m，保留一定裕量，可以设定高于车辆4m的点云全部滤除，这样就滤除如桥梁等可穿越目标的点云，由于不同车型上雷达安装位置不同，车辆高度也不同，所以范围也不是恒定的。
本实施例中，通过在点云信息中，将坐标信息指示空间点位于预设的高度阈值范围外的点信息滤除，得到第三点云信息，降低雷达误检率，从而提升点云聚类的准确性。
为了便于对本申请实施例中的点云聚类方法的理解，在对此点云聚类方法的实际应用过程进行说明。
如图2所示，本申请实施例提供一种点云聚类方法，包含以下步骤：
步骤S1，4D毫米波雷达原始点云数据解析，具体实现方法如下：
根据4D毫米波雷达原始UDP数据组包结构，对原始UDP数据进行解析，获取相对径向距离Range、俯仰角Elevation、方位角Azimuth、多普勒速度Doppler、反射强度RCS、相位Phase、时间戳Timestamp等基本信息，然后根据Range、Elevation和Azimuth信息计算得到每个点在笛卡尔坐标系下的x、y、z值，滤除部分反射强度低于信噪比阈值的噪声点云。
步骤S2，点云地杂波及可穿越目标滤除，具体实现方法如下：
根据雷达分辨率和雷达当前模式测距距离等确定地杂波判定范围，计算并分析点云数据分析，设定地杂波出现在|x|<xclutter且|y|<yclutter的判定范围内，根据雷达安装高度确定高度维度上的阈值上下限zupper和zlower，当点云范围满足x、y、z值均处于此值域范围内时，对地杂波点云进行滤除，即在后续计算过程中删除这部分点云，不再参与计算。然后，根据车辆高度信息和雷达安装高度确认可安全穿越的高度范围，滤除超过高度阈值范围，过高或过低的点云信息，降低雷达误检率。
步骤S3，动静点云快速判别，具体实现方法如下：
通常情况下，在车辆正常行驶时4D毫米波雷达采集到的点云数据中每帧有超过70％为静态点云，其余为动态点云，极少数复杂路况场景下动态点云数量大于静态点云数据。根据这一特征，提出了一种专用的动静点云快速判别方法，无需考虑将点云的径向速度分解为x和y方向上的速度，快速获取所有点云数据的动静区分结果。
结合图3说明步骤S3中动静点云快速判别的实现方式：
计算方位角Azimuth的cos值cos(Azimuth)，当cos(Azimuth)大于0.8时，使用多普勒速度除以cos(Azimuth)进行补偿，然后将所有数据按照多普勒速度从小到大排序，找到中位数vm并计算得到四十百分位数v40和六十百分位数v60，计算基础分位距IQR＝v60-v40+vThre1，其中vThre1是一个预先设定的大于零的常数值，用于确保判定区间的上下限差值不为零。然后计算动静点云区分的上下限，上限vupper＝v60+IQR*vThre2，下限vlower＝v40-IQR*vThre2，其中vThre2也是一个预先设定的常数值，用于根据数据特征动态调整上下限范围。最后计算得到上下限差值vdiff＝vlower-vupper。设定阈值常数vThre3，用于判定当前帧的点云中是否存在静态目标过少，无法根据此算法划分动态与静态点云的问题。当vdiff小于vThre3时认为当前帧内静态点云数量充足，动静点云判别依据可信，此时满足多普勒速度大于下限vlower且小于上限vupper的点云判定为静态点云，其余点云判定为动态点云。当vdiff大于vThre3时认为当前帧内静态点云数量严重不足，使用历史帧中的上下限作为当前帧的动静点云判据，区分动态点云及静态点云，效果如图4所示，动静分离后的点云成功将护栏、建筑等静态目标与车辆等运动目标的点云分离。
步骤S4，动静点云分别执行WaveCluster聚类算法，具体实现方法如下：
本发明的步骤S4中WaveCluster聚类算法计算流程如图5所示，包含以下步骤：
步骤S4.1，量化特征网格并将点云映射到网格中，具体实现方法如下：
对所有输入聚类的静态点云或动态点云建立大小均等网格的网格系统，将笛卡尔坐标系下的所有点云一一映射到网格系统中，统计每个网格中点云的数量并转换为对应的数量矩阵，数量矩阵中每个元素的数值即为对应网格中具有的点云个数。
步骤S4.2，在量化特征网格中应用离散小波变换，具体实现方法如下：
对步骤S4.1中得到的数量矩阵应用离散小波变换DWT，小波变换的维度与输入聚类算法的点云数据维度相同，得到与数量矩阵相同维度的小波滤波矩阵。本发明在4D毫米波雷达点云聚类中使用的是双正交小波变换，具有对称性和正交性，相比正交小波变换等响应更加平滑，相较哈尔小波(Haar Wavelet)和多贝西小波(Daubechies Wavelet)等常见的小波变换，最终聚类精确度有较大幅度的提高。
步骤S4.3，使用设定的密度阈值寻找高密度区域并连通，具体实现方法如下：
根据设定的密度阈值Density过滤经过步骤S4.2小波变换后的小波滤波矩阵，将矩阵中小于等于密度阈值Density的元素全部转换为0，大于密度阈值Density的元素全部转换为1，组成判别矩阵，将判别矩阵中所有不间断相连的元素1划分为同一点云簇。
步骤S4.4，对孤立的噪声点和寻找到的聚类簇赋予标签，具体实现方法如下：
更新完成聚类后的判别矩阵，为所有聚类簇依次赋予不同的聚类簇标号，如第0到第100个聚类簇，对于判别矩阵中所有为0的元素，不做任何数值更新，将所有数值为0的元素对应的网格全部看作无点云数据区域或孤立的噪声点云，组成新的标签矩阵。
步骤S4.5，将每个点云的簇类标签映射回初始的特征网格，具体实现方法如下：
将标签矩阵中每个元素的数值映射回每个一一对应的特征网格，向网格中的点云添加对应的类别标签，对于所有标签为0的点云，均视为孤立噪点并进行滤除。WaveCluster点云聚类结果俯视图如图6所示，图中静态点云的同类簇使用虚线外边框标记，动态点云的同类簇使用实线外边框标记。
对区分动静点云分别执行WaveCluster聚类算法，WaveCluster算法参数分别为预测聚类簇数Cell、密度阈值Density、小波分解级别Level、所使用的小波名称Wavelet和小波变换类型Type，根据点云数量的不同分别设定不同的Cell和Density参数值，通过实验确认最佳的参数配置，然后获取每个点云簇的聚类类别索引Index。由于每帧输入的点云数据量不固定，预测聚类簇数Cell与当前帧输入的点云数量呈正相关，可以随点云数量上升而增大。
步骤S5，动态点云中虚假运动目标修正，具体实现方法如下：
首先计算当前帧中动态点云簇边框与静态点云簇边框的长和宽，即xoy坐标系下的x与y二维信息，相乘得到点云簇的面积信息，计算距离最近的动态点云簇与静态点云簇面积的交并比IOU，即动态点云与静态点云交集面积/并集面积，当IOU小于阈值S Thre时则将虚假的动态点云修正为静态点云。
基于上述实施例提供的点云聚类方法，相应地，本申请还提供了点云聚类装置的具体实现方式。请参见以下实施例。
请参见图7，本申请实施例提供的一种点云聚类装置700，可以包括以下模块：第一获取模块701、生成模块702、第一确定模块703和聚类模块704。
第一获取模块701，用于获取车辆在第i帧下检测到的点云信息，点云信息包括至少一个空间点的点信息，点信息包括空间点的坐标信息，坐标信息用于表征空间点在车辆的车身坐标系中的位置坐标；
生成模块702，用于根据点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵，网格系统包括多个网格，数量矩阵包括多个元素的数值，各元素的数值为对应网格中空间点的数量；
第一确定模块703，用于对数量矩阵进行处理，确定各空间点的类别标签，类别标签用于指示空间点对应类别的点云簇；
聚类模块704，用于根据各空间点的类别标签，将至少一个空间点聚类为至少一个点云簇，不同点云簇中空间点的类别标签不同。
本申请实施例的点云聚类装置，能够根据车辆在第i帧下检测到的点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵，网格系统包括多个网格，数量矩阵包括多个元素的数值，各元素的数值为对应网格中空间点的数量；对数量矩阵进行处理，确定各空间点的类别标签，类别标签用于指示空间点对应类别的点云簇；根据各空间点的类别标签，将至少一个空间点聚类为至少一个点云簇，不同点云簇中空间点的类别标签不同。如此，本申请实施例，根据车辆在第i帧下检测到的点云信息，将至少一个空间点映射在车身坐标系对应的网格系统中，得到数量矩阵并进行后续的聚类处理，因此，不论点云数量生成多少，只需对数量矩阵进行聚类计算，从而不受限于点云数量的提升，不会影响运行速度，满足智能驾驶场景的实时性需求。
在一些实施例中，上述第一确定模块703，具体可以包括：
变换单元，用于对数量矩阵进行离散小波变换，得到小波滤波矩阵；
转换单元，用于根据预设密度阈值对小波滤波矩阵进行转换，得到判别矩阵，判别矩阵包括第一元素和第二元素，第一元素为小波滤波矩阵中小于等于密度阈值的元素转换到的元素，第二元素为小波滤波矩阵中大于密度阈值的元素转换得到的元素；
确定单元，用于将判别矩阵中不间断相连的第二元素确定为同一聚类簇，并为各聚类簇赋予簇类标号，得到标签矩阵，不同聚类簇对应不同簇类标号；
映射单元，用于将标签矩阵中各元素的数值映射至网格系统中，确定各网格中空间点的类别标签，不同簇类标号对应不同类别标签。
作为本申请的一种实现方式，为了便于对不同目标对象进行分类和识别，上述点信息还可以包括多普勒速度，上述装置700，还可以包括：
第二获取模块，用于获取至少一个空间点的第一多普勒速度阈值和第二多普勒速度阈值，第一多普勒速度阈值大于第二多普勒速度阈值；
第二确定模块，用于在点云信息中，将多普勒速度大于第二多普勒速度阈值且小于第一多普勒速度阈值的点信息确定为静态点云信息；
第二确定模块，还用于在点云信息中，将多普勒速度小于等于第二多普勒速度阈值，或多普勒速度大于等于第一多普勒速度阈值的点信息确定为动态点云信息；
上述生成模块702，具体包括：
第一生成单元，用于根据静态点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成第一子数量矩阵；
第二生成单元，用于根据动态点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成第二子数量矩阵；
数量矩阵包括第一子数量矩阵和第二子数量矩阵。
在一些实施例中，上述第二获取模块，具体可以包括：
排序单元，用于对至少一个空间点的多普勒速度按照从小到大进行排序，得到第一目标百分位数和第二目标百分位数，第二目标百分位数大于第一目标百分位数；
第一计算单元，用于将第二目标百分位数与第一目标百分位数的差值与预设第一常数值相加，得到基础分位距；
第二计算单元，用于将基础分位距与预设第二常数值之积，与第二目标百分位数相加，得到第一多普勒速度阈值；
第三计算单元，用于将第一目标百分位数，减去，基础分位距与预设第二常数值之积，得到第二多普勒速度阈值。
在一些实施例中，上述装置700，还可以包括：
第一计算模块，用于计算第一多普勒速度阈值与第二多普勒速度阈值的差值；
上述第二确定模块，还用于在差值小于预设第三常数值的情况下，在点云信息中，将多普勒速度大于第二多普勒速度阈值且小于第一多普勒速度阈值的点信息确定为静态点云信息。
作为本申请的另一种实现方式，为了对不准确的动态点云簇进行修正，上述装置700，还可以包括：
标记模块，用于对至少一个点云簇中的静态点云簇标记第一外边框和动态点云簇标记第二外边框，静态点云簇为至少一个点云簇中由静态点云信息处理得到的点云簇，动态点云簇为至少一个点云簇中由动态点云信息处理得到的点云簇；
第二计算模块，用于计算目标静态点云簇的第一外边框和目标动态点云簇的第二外边框的交并比值，目标静态点云簇和目标动态点云簇为至少一个点云簇中距离最近的静态点云簇和动态点云簇，交并比值为目标静态点云簇的第一外边框和目标动态点云簇的第二外边框交集面积与并集面积之比；
修正模块，用于在交并比值小于预设面积阈值的情况下，将目标动态点云簇修正为静态点云簇。
在一些实施例中，上述点信息还可以包括反射强度，上述装置700，还可以包括：
第一滤除模块，用于在点云信息中，将反射强度低于预设信噪比阈值的点信息滤除，得到第一点云信息；
上述生成模块702，还用于根据第一点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵。
在一些实施例中，上述装置700，还可以包括：
第三获取模块，用于获取车辆在第i帧下的地杂波范围；
第二滤除模块，用于在点云信息中，将坐标信息指示空间点位于地杂波范围内的点信息滤除，得到第二点云信息；
上述生成模块702，还用于根据第二点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵。
在一些实施例中，上述装置700，还可以包括：
第二滤除模块，用于在点云信息中，将坐标信息指示空间点位于预设的高度阈值范围外的点信息滤除，得到第三点云信息；
上述生成模块702，还用于根据第三点云信息中至少一个空间点的坐标信息，将至少一个空间点映射至车身坐标系关联的预设网格系统中，生成数量矩阵。
图8示出了本申请实施例提供的电子设备的硬件结构示意图。
在电子设备可以包括处理器801以及存储有计算机程序指令的存储器802。
具体地，上述处理器801可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器802可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器802可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器802可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器802可在综合网关容灾设备的内部或外部。在特定实施例中，存储器802是非易失性固态存储器。
在特定实施例中，存储器802可包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器801通过读取并执行存储器802中存储的计算机程序指令，以实现上述实施例中的任意一种点云聚类方法。
在一个示例中，电子设备还可包括通信接口803和总线810。其中，如图8所示，处理器801、存储器802、通信接口803通过总线810连接并完成相互间的通信。
通信接口803，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线810包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线810可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该电子设备可以执行本申请实施例中的点云聚类方法，从而实现结合图1和图7描述的点云聚类方法和装置。
另外，结合上述实施例中的点云聚类方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种点云聚类方法。
结合上述实施例中的点云聚类方法，本申请实施例可提供一种车辆来实现。该车辆包括：电子设备，用于实现如上任意一项的点云聚类方法。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种点云聚类方法，其特征在于，包括：
获取车辆在第i帧下检测到的点云信息，所述点云信息包括至少一个空间点的点信息，所述点信息包括所述空间点的坐标信息，所述坐标信息用于表征所述空间点在所述车辆的车身坐标系中的位置坐标；
根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵，所述网格系统包括多个网格，所述数量矩阵包括多个元素的数值，各所述元素的数值为对应所述网格中所述空间点的数量；
对所述数量矩阵进行处理，确定各所述空间点的类别标签，所述类别标签用于指示所述空间点对应类别的点云簇；
根据各所述空间点的类别标签，将所述至少一个空间点聚类为至少一个点云簇，不同所述点云簇中所述空间点的类别标签不同。
2.根据权利要求1所述的方法，其特征在于，所述对所述数量矩阵进行处理，确定各所述空间点的类别标签，包括：
对所述数量矩阵进行离散小波变换，得到小波滤波矩阵；
根据预设密度阈值对所述小波滤波矩阵进行转换，得到判别矩阵，所述判别矩阵包括第一元素和第二元素，所述第一元素为所述小波滤波矩阵中小于等于所述密度阈值的元素转换到的元素，所述第二元素为所述小波滤波矩阵中大于所述密度阈值的元素转换得到的元素；
将所述判别矩阵中不间断相连的所述第二元素确定为同一聚类簇，并为各所述聚类簇赋予簇类标号，得到标签矩阵，不同所述聚类簇对应不同所述簇类标号；
将所述标签矩阵中各元素的数值映射至所述网格系统中，确定各所述网格中空间点的类别标签，不同所述簇类标号对应不同所述类别标签。
3.根据权利要求1所述的方法，其特征在于，所述点信息还包括多普勒速度，
在所述根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵之前，还包括：
获取所述至少一个空间点的第一多普勒速度阈值和第二多普勒速度阈值，所述第一多普勒速度阈值大于所述第二多普勒速度阈值；
在所述点云信息中，将所述多普勒速度大于所述第二多普勒速度阈值且小于所述第一多普勒速度阈值的点信息确定为静态点云信息；
在所述点云信息中，将所述多普勒速度小于等于所述第二多普勒速度阈值，或所述多普勒速度大于等于所述第一多普勒速度阈值的点信息确定为动态点云信息；
所述根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵，包括：
根据所述静态点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成第一子数量矩阵；
根据所述动态点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成第二子数量矩阵；
数量矩阵包括所述第一子数量矩阵和所述第二子数量矩阵。
4.根据权利要求3所述的方法，其特征在于，所述获取所述至少一个空间点的第一多普勒速度阈值和第二多普勒速度阈值，包括：
对所述至少一个空间点的多普勒速度按照从小到大进行排序，得到第一目标百分位数和第二目标百分位数，所述第二目标百分位数大于所述第一目标百分位数；
将所述第二目标百分位数与所述第一目标百分位数的差值与预设第一常数值相加，得到基础分位距；
将所述基础分位距与预设第二常数值之积，与所述第二目标百分位数相加，得到所述第一多普勒速度阈值；
将所述第一目标百分位数，减去，所述基础分位距与预设第二常数值之积，得到所述第二多普勒速度阈值。
5.根据权利要求4所述的方法，其特征在于，在所述点云信息中，将所述多普勒速度大于所述第二多普勒速度阈值且小于所述第一多普勒速度阈值的点信息确定为静态点云信息之前，还包括：
计算所述第一多普勒速度阈值与所述第二多普勒速度阈值的差值；
所述在所述点云信息中，将所述多普勒速度大于所述第二多普勒速度阈值且小于所述第一多普勒速度阈值的点信息确定为静态点云信息，包括：
在所述差值小于预设第三常数值的情况下，在所述点云信息中，将所述多普勒速度大于所述第二多普勒速度阈值且小于所述第一多普勒速度阈值的点信息确定为静态点云信息。
6.根据权利要求3所述的方法，其特征在于，在所述根据各所述空间点的类别标签，将所述至少一个空间点聚类为至少一个点云簇之后，还包括：
对所述至少一个点云簇中的静态点云簇标记第一外边框和动态点云簇标记第二外边框，所述静态点云簇为所述至少一个点云簇中由所述静态点云信息处理得到的点云簇，所述动态点云簇为所述至少一个点云簇中由所述动态点云信息处理得到的点云簇；
计算目标静态点云簇的第一外边框和目标动态点云簇的第二外边框的交并比值，所述目标静态点云簇和所述目标动态点云簇为所述至少一个点云簇中距离最近的所述静态点云簇和所述动态点云簇，所述交并比值为所述目标静态点云簇的第一外边框和所述目标动态点云簇的第二外边框交集面积与并集面积之比；
在所述交并比值小于预设面积阈值的情况下，将所述目标动态点云簇修正为静态点云簇。
7.根据权利要求1所述的方法，其特征在于，所述点信息还包括反射强度，
在所述根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵之前，还包括：
在所述点云信息中，将所述反射强度低于预设信噪比阈值的点信息滤除，得到第一点云信息；
所述根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵，包括：
根据所述第一点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵。
8.根据权利要求1所述的方法，其特征在于，在所述根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵之前，还包括：
获取所述车辆在第i帧下的地杂波范围；
在所述点云信息中，将所述坐标信息指示所述空间点位于所述地杂波范围内的点信息滤除，得到第二点云信息；
所述根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵，包括：
根据所述第二点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵。
9.根据权利要求1所述的方法，其特征在于，在所述根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵之前，还包括：
在所述点云信息中，将所述坐标信息指示所述空间点位于预设的高度阈值范围外的点信息滤除，得到第三点云信息；
所述根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵，包括：
根据所述第三点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵。
10.一种点云聚类装置，其特征在于，所述装置包括：
第一获取模块，用于获取车辆在第i帧下检测到的点云信息，所述点云信息包括至少一个空间点的点信息，所述点信息包括所述空间点的坐标信息，所述坐标信息用于表征所述空间点在所述车辆的车身坐标系中的位置坐标；
生成模块，用于根据所述点云信息中至少一个空间点的坐标信息，将所述至少一个空间点映射至所述车身坐标系关联的预设网格系统中，生成数量矩阵，所述网格系统包括多个网格，所述数量矩阵包括多个元素的数值，各所述元素的数值为对应所述网格中所述空间点的数量；
第一确定模块，用于对所述数量矩阵进行处理，确定各所述空间点的类别标签，所述类别标签用于指示所述空间点对应类别的点云簇；
聚类模块，用于根据各所述空间点的类别标签，将所述至少一个空间点聚类为至少一个点云簇，不同所述点云簇中所述空间点的类别标签不同。
CN202410246542.0A 2024-03-04 2024-03-04 点云聚类方法、装置、设备、存储介质及车辆 Pending CN118035769A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410246542.0A CN118035769A (zh) 2024-03-04 2024-03-04 点云聚类方法、装置、设备、存储介质及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410246542.0A CN118035769A (zh) 2024-03-04 2024-03-04 点云聚类方法、装置、设备、存储介质及车辆

Publications (1)

Publication Number Publication Date
CN118035769A true CN118035769A (zh) 2024-05-14

Family

ID=90987559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410246542.0A Pending CN118035769A (zh) 2024-03-04 2024-03-04 点云聚类方法、装置、设备、存储介质及车辆

Country Status (1)

Country Link
CN (1) CN118035769A (zh)

Similar Documents

Publication Publication Date Title
Kellner et al. Grid-based DBSCAN for clustering extended objects in radar data
CN110163871B (zh) 一种多线激光雷达的地面分割方法及装置
CN111045008B (zh) 基于展宽计算的车载毫米波雷达目标识别方法
CN109102702A (zh) 基于视频车辆检测和雷达信号融合的车辆测速方法
CN109870680A (zh) 一种目标分类方法及装置
WO2021207954A1 (zh) 一种目标识别的方法和装置
CN104182957B (zh) 交通视频信息检测方法和装置
JP2001004368A (ja) 物体認識装置
CN108345823B (zh) 一种基于卡尔曼滤波的障碍物跟踪方法和装置
CN107134143A (zh) 一种基于连续波雷达的车流量统计与车型判别的方法
CN113269889B (zh) 一种基于椭圆域的自适应点云目标聚类方法
CN112597839B (zh) 基于车载毫米波雷达的道路边界检测方法
CN113378751A (zh) 一种基于dbscan算法的交通目标识别方法
CN115100741B (zh) 一种点云行人距离风险检测方法、系统、设备和介质
CN113970734A (zh) 路侧多线激光雷达降雪噪点去除方法、装置及设备
CN116699602A (zh) 一种基于毫米波雷达和相机融合的目标检测系统及方法
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
CN118035769A (zh) 点云聚类方法、装置、设备、存储介质及车辆
CN114895274A (zh) 一种护栏识别方法
CN113514825B (zh) 道路边缘的获取方法、装置和终端设备
Huang et al. An efficient multi-threshold selection method for lane detection based on lidar
CN110909569B (zh) 路况信息识别方法及终端设备
CN113589288A (zh) 基于毫米波雷达的目标筛选方法、装置、设备及存储介质
CN112926823B (zh) 一种智慧交通业务数据检测方法、装置及电子设备
CN116659540B (zh) 一种在自动驾驶过程中的交通护栏识别方法

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