CN111932943B - 动态目标的检测方法、装置、存储介质及路基监测设备 - Google Patents
动态目标的检测方法、装置、存储介质及路基监测设备 Download PDFInfo
- Publication number
- CN111932943B CN111932943B CN202011103317.XA CN202011103317A CN111932943B CN 111932943 B CN111932943 B CN 111932943B CN 202011103317 A CN202011103317 A CN 202011103317A CN 111932943 B CN111932943 B CN 111932943B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- depth
- dynamic
- scanning area
- ith
- 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
- 238000012544 monitoring process Methods 0.000 title abstract description 42
- 238000001514 detection method Methods 0.000 title abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000000875 corresponding effect Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000035040 seed growth Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 abstract description 10
- 238000012806 monitoring device Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- 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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
-
- 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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请公开了一种动态目标的检测方法、装置、存储介质及路基监测设备，属于监控技术领域。所述动态目标的检测方法包括：获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云，计算所述第一点云的深度，获取所述第i个扫描区域关联的最大点云深度，在所述第一点云的深度小于所述最大点云深度时，确定所述第i个扫描区域内存在动态目标。故本申请中路基监测设备通过扫描获取点云数据，建立最远距离模型，能够在不受光线强度因素影响，简单高效地进行动静态检测并追踪目标，降低运算的复杂度。
Description
技术领域
本发明涉及监控技术领域，具体涉及一种动态目标的检测方法、装置、存储介质及路基监测设备。
背景技术
目前，监控技术主要是对运动的目标或者突然闯入的目标进行监控，一旦场景中出现运动的目标，监控系统能够发出警告，并且将运动目标区分出来进行跟踪。在人工智能技术领域，目标追踪是高级驾驶辅助系统（Advanced Driving Assistant System，ADAS）中一个重要的课题，有效的目标追踪可以为驾驶员提供可靠地目标对象位置信息，利用这些信息，驾驶员可以从人为跟踪任务中解放出来，甚至可以将这些信息提供给自动驾驶系统以达到无人驾驶的目的。现有的目标追踪都是基于图像处理的方法，但图像处理技术受外部环境因素影响较大，另外当前主要是基于深度学习的检测和跟踪算法，需要消耗较大的计算资源和专门的图形处理器（Graphics Processing Unit，GPU）。因此如何提高目标追踪技术的高效性、准确性和鲁棒性是目前亟待解决的问题。
发明内容
本申请实施例提供了一种动态目标的检测方法、装置、存储介质及路基监测设备，可以不受光线强度因素影响，简单高效地进行动静态检测并追踪目标，降低运算的复杂度。所述技术方案如下：
第一方面，本申请实施例提供了一种动态目标的检测方法，包括：
获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云；其中，所述激光雷达在一个帧内共扫描n个扫描区域，所述n个扫描区域的角度之和为预设角度，所述第i个扫描区域为所述n个扫描区域中的任意一个；
计算所述第一点云的深度；
获取所述第i个扫描区域关联的最大点云深度；
在所述第一点云的深度小于所述最大点云深度时，确定所述第i个扫描区域内存在动态目标。
第二方面，本申请实施例提供了一种动态目标的检测装置，所述装置包括：
扫描模块，用于获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云；其中，所述激光雷达在一个帧内共扫描n个扫描区域，所述n个扫描区域的角度之和为预设角度，所述第i个扫描区域为所述n个扫描区域中的任意一个；
计算模块，用于计算所述第一点云的深度；
获取模块，用于获取所述第i个扫描区域关联的最大点云深度；
确定模块，用于在所述第一点云的深度小于所述最大点云深度时，确定所述第i个扫描区域内存在动态目标。
第三方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供了一种路基监测设备，包括：激光雷达、存储器和处理器；其中，所述存储器存储有计算机程序，所述计算机程序适用于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括：
上述动态目标的检测方法、装置、存储介质及路基监测设备工作时，获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云，计算所述第一点云的深度，获取所述第i个扫描区域关联的最大点云深度，在所述第一点云的深度小于所述最大点云深度时，确定所述第i个扫描区域内存在动态目标。路基监测设备通过扫描获取点云数据，建立最远距离模型，能够在不受光线强度因素影响，简单高效地进行动静态检测并追踪目标，降低运算的复杂度。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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获得其他的附图。图1是本申请实施例提供的一种路基监测系统架构示意图；
图2是本申请实施例提供的一种动态目标的检测方法的流程示意图；
图3是本申请实施例提供的一种帧点云不同区域示意图；
图4是本申请实施例提供的一种计算点云深度示意图；
图5是本申请实施例提供的一种最远距离模型示意图；
图6是本申请实施例提供的一种动静目标检测示意图；
图7是本申请实施例提供的一种识别动态点云示意图；
图8是本申请实施例提供的一种聚类算法示意图；
图9是本申请实施例提供的一种确定目标关键点示意图；
图10是本申请实施例提供的一种动态目标的检测方法的另一流程示意图；
图11是本申请实施例提供的一种动态目标的检测装置的结构示意图；
图12是本申请实施例提供的一种路基监测设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
下面的描述设计附图时，除非另有表示，不同附图中的相同数字表示相同的或相似的要素。以下示例性实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。
图1为本申请提供的一种路基监测系统架构示意图。
请参见图1，路基监测系统01包括网络设备101、路基监测设备102、追踪目标103、终端设备104。当路基监测系统01包括核心网时，该网络设备101还可以与核心网相连。网络设备101还可以与互联网协议（Internet Protocol，IP）网络200进行通信，例如，因特网（internet），私有的IP网，或其它数据网等。网络设备101为覆盖范围内的路基监测设备102和终端设备104提供服务。例如，参见图1，网络设备101为网络设备101覆盖范围内的终端设备104和路基监测设备102提供无线接入，路基监测设备102将追踪信息上报给网络设备101。另外，路基监测设备102以固定的方式进行设置，例如：路基监测设备102设置在道路的两侧，路基监测设备102可以对道路上行驶的车辆或行人进行检测和追踪。
网络设备101可以是用于与终端设备和追踪器进行通信的设备。该网络设备可以是中继站、接入点、车载设备等。在终端设备对终端设备（Device to Device，D2D）路基监测系统中，该网络设备还可以是担任基站功能的终端设备。
路基监测设备102是包含激光雷达的路基监测设备，通过对回波信号所携带的目标调制信息的解调来获取目标的特征参数。为了得到目标的更加完整的整体外形信息，在激光雷达的基础上，通过添加转台/采用探测陈列的方式得到三维成像激光雷达，它不仅可以得到目标的距离、方位、高度等信息，同时可以得到速度、形状、姿态等信息，在拥有了成像特征的同时，较普通光学影像有着维度的提升。路基监测设备102还可以将获取的追踪信息上报给网络设备或者目标服务器等。
追踪目标103包括行人、动物、运动载具及飞行设备等各种可追踪的物体。
在下述方法实施例中，为了便于说明，仅以各步骤的执行主体为路基监测设备进行介绍说明。
下面将结合附图2或图10，对本申请实施例提供的动态目标的检测方法进行详细介绍。
请参见图2，为本申请实施例提供了一种动态目标的检测方法的流程示意图。所述方法可以包括以下步骤：
S201、获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云。
一般的，路基监测设备通过解析回波信号，可以得到被测目标的完整的整体外形信息，即点云数据（Point Cloud Data），每一个点包含有三维坐标，有些可能含有颜色信息（RGB）或反射强度信息（Intensity）。路基监测设备将激光雷达的水平视场划分为不同的扫描区域，其中激光雷达在第i个扫描区域进行扫描得到第一点云，如图3所示，得到当前帧的点云，分为8个区域确定第1个扫描区域扫描到的为第一点云。其中，所述激光雷达在一个帧内共扫描n个扫描区域，所述n个扫描区域的角度之和为预设角度，所述第i个扫描区域为所述n个扫描区域中的任意一个，n为大于等于1的整数。所述n个扫描区域的角度之和为360度，各个扫描区域的角度相同。
在一个实施例中，路基监测设备获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云之前，还包括：根据至少一帧点云计算当前场景的复杂度，根据当前场景的复杂度确定对应的扫描区域的数量n；其中，复杂度和数量n呈正相关性，例如：可以先确定当前帧的点云数量N，设置距离阈值L，现在点云中随机确定第一点，计算其他点与第一点的距离S，若S小于L，则确定该点属于第一点对应的第一区域，确定第一区域的点的个数M，则可以根据公式：复杂度=点云数量N/第一区域的点的个数M，来计算出复杂度，最后，可以根据公式：扫描区域的数量n=[复杂度]+t，来计算出数量n，其中，[复杂度]表示取整操作，t为不小于0的整数，是为了增加计算的容错率，例如：t等于1。路基监测设备还可以通过决策树、贝叶斯、支持向量机等分类算法来计算出当前场景的复杂度，根据当前场景的复杂度确定对应的扫描区域的数量n。在执行本申请实施例的方案时，路基监测设备通过计算当前帧的复杂度来确定扫描区域的数量，可以合理地分配扫描区域，便于高效检测扫描区域内的动态目标。
S202、计算所述第一点云的深度。
一般的，点云包括多个点云数据，每个点云数据包括深度，深度是指点云数据对应到目标物体的表面上的点到激光雷达之间的距离，点云的深度可用所有的点云数据对应的平均距离来表示。点云的深度是指点云上所有点到激光雷达的平均距离。路基监测设备获取第一点云后，需要根据第一点云自身携带的三维坐标信息计算出第一点云的深度，如图4所示，例如：可以根据点的坐标计算出点到激光雷达的距离分别为76米、93米、82米和87米，那该点云的深度为84.5米。
S203、获取所述第i个扫描区域关联的最大点云深度。
一般的，路基监测设备根据历史帧的点云，建立了最远距离模型，最远距离模型是根据每个扫描区域内的最大点云深度来确定的。路基监测设备计算出所述第一点云的深度后，需要获取所述第i个扫描区域关联的最大点云深度，如图5所示，左图是将点云分为8个扫描区域时的最远距离模型，此时n等于8，每个区域存在一个最远距离，第1个扫描区域关联的最大点云深度为90米，第2个扫描区域关联的最大点云深度为92米，第3个扫描区域关联的最大点云深度为132米，第4个扫描区域关联的最大点云深度为75米，第5个扫描区域关联的最大点云深度为86米，第6个扫描区域关联的最大点云深度为63米，第7个扫描区域关联的最大点云深度为54米，第8个扫描区域关联的最大点云深度为108米；右图是将点云作为一个扫描区域时的最远距离模型，此时n等于1，则该最远距离模型对应的最大点云深度为150米。
S204、在所述第一点云的深度小于所述最大点云深度时，确定所述第i个扫描区域内存在动态目标。
一般的，路基监测设备获取所述第i个扫描区域关联的最大点云深度后，需要对比所述第一点云的深度与所述最大点云深度的大小，若小于，则确定所述第i个扫描区域内存在动态目标，后续路基监测设备进行对动态目标进行目标追踪，获取运动动态信息；若不小于，则确定所述第i个扫描区域内不存在动态目标，基于所述第一点云的深度更新所述第i个扫描区域关联的最大点云深度。例如：计算出所述第一点云的深度为100米，路基监测设备保存的所述最大点云深度为50米，则判断所述第i个扫描区域内不存在动态目标；计算出所述第一点云的深度为30米，路基监测设备保存的所述最大点云深度为50米，则判断所述第i个扫描区域内存在动态目标，如图6所示，若图上检测到的墙体的距离为最大深度点云时，有动态目标存在，则计算的第一点云的深度小于所述最大点云深度，否则不小于。
在一个实施例中，路基监测设备记录每个扫描区域动静状态时间，例如：第3个扫描区域9点29至10点不存在动态目标，10点至10点10分存在动态目标等等。路基监测设备若确定所述第i个扫描区域未检测到动态目标的时长超过预设时长，将所述第i个扫描区域和相邻的扫描区域进行合并，例如：路基监测设备确定第5个扫描区域13点至15点两个小时内不存在动态目标，若预设时长为1小时，则将第5个扫描区域与第4个扫描区域进行合并，那么扫描区域数量由n变为n-1；若预设时长为3小时，则保持扫描区域数量不变。在执行本申请实施例的方案时，路基监测设备通过合并静态扫描区域和动态扫描区域，可以节省扫描区域分配资源，例如：假设动态点云相同，检测一个水平视场为120度的扫描区域比检测两个60度的扫描区域，减少了检测扫描区域内的动态目标的运算复杂度。
由上述内容可知，获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云，计算所述第一点云的深度，获取所述第i个扫描区域关联的最大点云深度，在所述第一点云的深度小于所述最大点云深度时，确定所述第i个扫描区域内存在动态目标。路基监测设备通过扫描获取点云数据，建立最远距离模型，能够在不受光线强度因素影响，简单高效地进行动静态检测并追踪目标，降低运算的复杂度。
请参见图10，为本申请实施例提供了一种动态目标的检测方法的另一流程示意图。该动态目标的检测方法可以包括以下步骤：
S1001、获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云。
一般的，路基监测设备扫描获取当前帧的点云，将第i个扫描区域扫描到的点云记录为第一点云，例如：获取当前帧的点云有10000个，当前帧对应激光雷达360度的角度，将当前帧平均分为10个扫描区域。每个扫描区域对应36度，将第3个扫描区域扫描到的1500个点记录为第一点云。
S1002、计算所述第一点云的深度。
一般的，路基监测设备确定所述第一点云后通过计算确定所述第一点云的深度，例如：经过计算所述第一点云的3000个点数据，得到所有点到激光雷达的平均距离为96.3米。
S1003、获取所述第i个扫描区域关联的最大点云深度。
一般的，路基监测设备根据之前帧的点云在每个扫描区域都记录了一个最大点云深度，例如：在第6个扫描区域关联的最大点云深度为75米，在第7个扫描区域关联的最大点云深度为83米等。
S1004、判断所述第一点云的深度是否小于所述第i个扫描区域关联的最大点云深度。
一般的，路基监测设备确定所述第一点云的深度和所述第i个扫描区域关联的最大点云深度后，需要进行大小判断，例如：计算出所述第一点云的深度为68米，所述第i个扫描区域关联的最大点云深度为100米，则所述第一点云的深度小于所述第i个扫描区域关联的最大点云深度。
S1005、确定所述第i个扫描区域内存在动态目标。
一般的，当路基监测设备确定所述第一点云的深度小于所述第i个扫描区域关联的最大点云深度时，则可以确定所述第i个扫描区域内存在动态目标，例如：计算出所述第一点云的深度为59米，路基监测设备保存的所述最大点云深度为123米，则判断所述第i个扫描区域内存在动态目标。
S1006、获取所述激光雷达扫描的上一帧点云，获取所述激光雷达在所述当前帧扫描的当前帧点云。
一般的，路基监测设备在确定所述第i个扫描区域内存在动态目标后，需要获取所述激光雷达扫描的上一帧点云和所述激光雷达在所述当前帧扫描的当前帧点云，即获取连续两帧的点云，例如：获取上一帧点云为15623个点，获取当前帧点云为15623个点，因为路基监测设备中的激光雷达的水平视场为定值，所以获取每一帧的点云数量相等。
S1007、将所述当前帧点云和所述上一帧点云中对应位置的点云进行深度比较。
一般的，路基监测设备获取所述激光雷达扫描的上一帧点云和所述激光雷达在所述当前帧扫描的当前帧点云后，需要将所述当前帧点云和所述上一帧点云中对应位置的点云进行深度比较，例如：所述当前帧点云中第356号点的深度为95米，第436号点的深度为76米，所述上一帧点云中第356号点的深度为95米，第436号点的深度为87米，则第356号点没发生变化，第436号点发生了变化。
S1008、将所述当前帧点云中深度发生变化的点云识别为动态点云。
一般的，动态点云是指根据连续帧点云上对应的点来确定的出现变化的被测物体的点云。路基监测设备将所述当前帧点云和所述上一帧点云中对应位置的点云进行深度比较后，能够确定发生变化的点，将所有发生变化的点识别为动态点云，如图7所示，上面表示上一帧点云，下面表示当前帧点云，先确定连续帧上点云的对应点，然后通过深度对比可知3、4、5号点属于动态点云。
S1009、将所述动态点云映射到二维栅格，使用种子生长算法对所述二维栅格进行聚类，确定聚类结果，基于所述聚类结果确定动态物体。
一般的，聚类是指按照某一个特定的标准（比如距离），把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不再同一个簇内的数据对象的差异性也尽可能的大。路基监测设备将三维点云映射到二维栅格，然后使用种子生长算法对所述二维栅格进行聚类，得到聚类结果，根据栅格聚类的结果对点云进行聚类，可以得到满足目标评价等级的聚类结果，基于所述聚类结果确定动态物体，如图8所示，将点云映射到二维栅格，使用种子生长算法对所述二维栅格进行聚类，得到如右图形状的动态物体。
S1010、基于所述动态物体确定预设数量的目标关键点，基于所述目标关键点确定所述运动动态信息。
一般的，路基监测设备可将确定的动态物体点云通过图神经网络(Graph NeuralNetworks,GNN)技术关联，根据时序上的关联，通过卡尔曼滤波（Kalman filtering）算法对动态物体进行追踪。路基监测设备确定出动态物体后，为了确定动态物体的运动动态信息，为了方便计算，不是将点云中所有点用来进行计算，只需要根据动态物体确定预设数量的目标关键点，使用目标关键点来进行计算就可得到运动动态信息，其中，所述运动动态信息包括运动速度和运动方向等，如图9所示，确定动态物体的点云后，再确定点云上关键点，根据关键点在不同帧上的坐标变化来计算运动动态信息。
S1011、确定所述第i个扫描区域内不存在动态目标。
一般的，当路基监测设备确定所述第一点云的深度不小于所述第i个扫描区域关联的最大点云深度时，则可以确定所述第i个扫描区域内存在动态目标，例如：计算出所述第一点云的深度为75米，雷达设备保存的所述最大点云深度为60米，则判断所述第i个扫描区域内不存在动态目标。
S1012、基于所述第一点云的深度更新所述第i个扫描区域关联的最大点云深度。
一般的，路基监测设备基于所述第一点云的深度更新所述第i个扫描区域关联的最大点云深度，例如：计算出所述第一点云的深度为75米，雷达设备保存的所述最大点云深度为60米，则需要将所述第i个扫描区域关联的最大点云深度60米更新为75米。
本申请实施例的方案在执行时，获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云，计算所述第一点云的深度，获取所述第i个扫描区域关联的最大点云深度，判断所述第一点云的深度是否小于所述第i个扫描区域关联的最大点云深度，若小于，确定所述第i个扫描区域内存在动态目标，获取所述激光雷达扫描的上一帧点云，获取所述激光雷达在所述当前帧扫描的当前帧点云，确定动态点云将当前帧点云和所述上一帧点云中对应位置的点云进行深度比较，将所述当前帧点云中深度发生变化的点云识别为动态点云，将所述动态点云映射到二维栅格，使用种子生长算法对所述二维栅格进行聚类，确定聚类结果，基于所述聚类结果确定动态物体，基于所述动态物体确定预设数量的目标关键点，基于所述目标关键点确定所述运动动态信息；若不小于，确定所述第i个扫描区域内不存在动态目标，基于所述第一点云的深度更新所述第i个扫描区域关联的最大点云深度。路基监测设备通过扫描获取点云数据，建立最远距离模型，能够在不受光线强度因素影响，简单高效地进行动静态检测并追踪目标，降低运算的复杂度。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参见图11，其示出了本申请一个示例性实施例提供的动态目标的检测装置的结构示意图，以下简称检测装置11。检测装置11可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。包括：
扫描模块1101，用于获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云；其中，所述激光雷达在一个帧内共扫描n个扫描区域，所述n个扫描区域的角度之和为预设角度，所述第i个扫描区域为所述n个扫描区域中的任意一个，n为大于等于1的整数；
计算模块1102，用于计算所述第一点云的深度；
获取模块1103，用于获取所述第i个扫描区域关联的最大点云深度；
确定模块1104，用于在所述第一点云的深度小于所述最大点云深度时，确定所述第i个扫描区域内存在动态目标。
可选地，所述确定模块1104，还包括：
更新单元，用于在所述第一点云的深度不小于所述最大点云深度时，确定所述第i个扫描区域内不存在动态目标，以及基于所述第一点云的深度更新所述第i个扫描区域关联的最大点云深度。
合并单元，用于若所述第i个扫描区域未检测到动态目标的时长超过预设时长，将所述第i个扫描区域和相邻的扫描区域进行合并。
追踪单元，用于获取所述激光雷达扫描的上一帧点云；获取所述激光雷达在所述当前帧扫描的当前帧点云；将所述当前帧点云和所述上一帧点云中对应位置的点云进行深度比较；将所述当前帧点云中深度发生变化的点云识别为动态点云；基于所述动态点云进行目标追踪。
聚合单元，用于使用点云聚类算法将所述动态点云聚合成为动态物体；追踪所述动态物体，确定运动动态信息；其中，所述运动动态信息包括运动速度和运动方向。
映射单元，用于将所述动态点云映射到二维栅格；使用种子生长算法对所述二维栅格进行聚类，确定聚类结果；基于所述聚类结果确定动态物体。
运算单元，用于根据至少一帧点云计算当前场景的复杂度；根据当前场景的复杂度确定对应的扫描区域的数量n；其中，复杂度和数量n呈正相关性；基于所述动态物体确定预设数量的目标关键点；基于所述目标关键点确定所述运动动态信息。
本申请实施例和图2或图10的方法实施例基于同一构思，其带来的技术效果也相同，具体过程可参照图2或图10的方法实施例的描述，此处不再赘述。
所述装置11可以为实现相关功能的现场可编程门阵列（field-programmablegate array，FPGA），专用集成芯片，系统芯片（system on chip，SoC），中央处理器（centralprocessor unit，CPU），网络处理器（network processor，NP），数字信号处理电路，微控制器（micro controller unit，MCU），还可以采用可编程控制器（programmable logicdevice，PLD）或其他集成芯片。
本申请实施例的方案在执行时，获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云，计算所述第一点云的深度，获取所述第i个扫描区域关联的最大点云深度，判断所述第一点云的深度是否小于所述第i个扫描区域关联的最大点云深度，若小于，确定所述第i个扫描区域内存在动态目标，获取所述激光雷达扫描的上一帧点云，获取所述激光雷达在所述当前帧扫描的当前帧点云，确定动态点云将当前帧点云和所述上一帧点云中对应位置的点云进行深度比较，将所述当前帧点云中深度发生变化的点云识别为动态点云，将所述动态点云映射到二维栅格，使用种子生长算法对所述二维栅格进行聚类，确定聚类结果，基于所述聚类结果确定动态物体，基于所述动态物体确定预设数量的目标关键点，基于所述目标关键点确定所述运动动态信息；若不小于，确定所述第i个扫描区域内不存在动态目标，基于所述第一点云的深度更新所述第i个扫描区域关联的最大点云深度。路基监测设备通过扫描获取点云数据，建立最远距离模型，能够在不受光线强度因素影响，简单高效地进行动静态检测并追踪目标，降低运算的复杂度。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述的方法步骤，具体执行过程可以参见图2或图10所示实施例的具体说明，在此不进行赘述。
本申请还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的模板的控制方法。
请参见图12，为本申请实施例提供了一种路基监测设备的结构示意图。如图12所示，所述路基监测设备12可以包括：至少一个处理器1201，至少一个网络接口1204，用户接口1203，存储器1205，至少一个通信总线1202。
其中，通信总线1202用于实现这些组件之间的连接通信。
其中，用户接口1203可以包括显示屏（Display）、激光雷达（Space Based Radar，SBR），可选用户接口1203还可以包括标准的有线接口、无线接口。
其中，网络接口1204可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，处理器1201可以包括一个或者多个处理核心。处理器1201利用各种借口和线路连接整个终端1200内的各个部分，通过运行或执行存储在存储器1205内的指令、程序、代码集或指令集，以及调用存储在存储器1205内的数据，执行终端1200的各种功能和处理数据。可选的，处理器1201可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。处理器1201可集成中央处理器（Central Processing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1201中，单独通过一块芯片进行实现。
其中，存储器1205可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器1205包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器1205可用于存储指令、程序、代码、代码集或指令集。存储器1205可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1205可选的还可以是至少一个位于远离前述处理器1201的存储装置。如图12所示，作为一种计算机存储介质的存储器1205中可以包括操作系统、网络通信模块、用户接口模块以及动态目标的检测应用程序。
在图12所示的路基监测设备1200中，用户接口1203主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1201可以用于调用存储器1205中存储的动态目标的检测应用程序，并具体执行以下操作：
获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云；其中，所述激光雷达在一个帧内共扫描n个扫描区域，所述n个扫描区域的角度之和为预设角度，所述第i个扫描区域为所述n个扫描区域中的任意一个，n为大于等于1的整数；
计算所述第一点云的深度；
获取所述第i个扫描区域关联的最大点云深度；
在所述第一点云的深度小于所述最大点云深度时，确定所述第i个扫描区域内存在动态目标。
在一个实施例中，处理器1201执行所述操作，还包括：
在所述第一点云的深度不小于所述最大点云深度时，确定所述第i个扫描区域内不存在动态目标，以及基于所述第一点云的深度更新所述第i个扫描区域关联的最大点云深度。
在一个实施例中，处理器1201执行所述操作，还包括：
若所述第i个扫描区域未检测到动态目标的时长超过预设时长，将所述第i个扫描区域和相邻的扫描区域进行合并。
在一个实施例中，处理器1201执行所述确定所述获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云之前，还包括：
根据至少一帧点云计算当前场景的复杂度；
根据当前场景的复杂度确定对应的扫描区域的数量n；其中，复杂度和数量n呈正相关性。
在一个实施例中，处理器1201执行所述确定所述第i个扫描区域内存在动态目标之后，还包括：
获取所述激光雷达扫描的上一帧点云；
获取所述激光雷达在所述当前帧扫描的当前帧点云；
将所述当前帧点云和所述上一帧点云中对应位置的点云进行深度比较；
将所述当前帧点云中深度发生变化的点云识别为动态点云；
基于所述动态点云进行目标追踪。
在一个实施例中，处理器1201执行所述基于所述动态点云进行动态目标追踪，包括：
使用点云聚类算法将所述动态点云聚合成为动态物体；
追踪所述动态物体，确定运动动态信息；其中，所述运动动态信息包括运动速度和运动方向。
在一个实施例中，处理器1201执行所述使用点云聚类算法将所述动态点云聚合成为动态物体，包括：
将所述动态点云映射到二维栅格；
使用种子生长算法对所述二维栅格进行聚类，确定聚类结果；
基于所述聚类结果确定动态物体。
在一个实施例中，处理器1201执行确定运动动态信息，包括：
基于所述动态物体确定预设数量的目标关键点；
基于所述目标关键点确定所述运动动态信息。
本申请实施例的技术构思和图2或图10的技术构思相同，具体过程可参照图2或图10的方法实施例，此处不再赘述。
在本申请实施例中，获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云，计算所述第一点云的深度，获取所述第i个扫描区域关联的最大点云深度，判断所述第一点云的深度是否小于所述第i个扫描区域关联的最大点云深度，若小于，确定所述第i个扫描区域内存在动态目标，获取所述激光雷达扫描的上一帧点云，获取所述激光雷达在所述当前帧扫描的当前帧点云，确定动态点云将当前帧点云和所述上一帧点云中对应位置的点云进行深度比较，将所述当前帧点云中深度发生变化的点云识别为动态点云，将所述动态点云映射到二维栅格，使用种子生长算法对所述二维栅格进行聚类，确定聚类结果，基于所述聚类结果确定动态物体，基于所述动态物体确定预设数量的目标关键点，基于所述目标关键点确定所述运动动态信息；若不小于，确定所述第i个扫描区域内不存在动态目标，基于所述第一点云的深度更新所述第i个扫描区域关联的最大点云深度。路基监测设备通过扫描获取点云数据，建立最远距离模型，能够在不受光线强度因素影响，简单高效地进行动静态检测并追踪目标，降低运算的复杂度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (8)
1.一种动态目标的检测方法，其特征在于，所述方法包括：
根据至少一帧点云计算当前场景的复杂度，以及根据当前场景的复杂度确定对应的扫描区域的数量n；其中，复杂度和数量n呈正相关性；
获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云；其中，所述激光雷达在一个帧内共扫描n个扫描区域，所述n个扫描区域的角度之和为预设角度，所述第i个扫描区域为所述n个扫描区域中的任意一个，n为大于等于1的整数；
计算所述第一点云的深度；其中，所述第一点云的深度为所述第i个扫描区域内的所有点云数据的深度的平均值；
获取所述第i个扫描区域关联的最大点云深度；
在所述第一点云的深度小于所述最大点云深度时，确定所述第i个扫描区域内存在动态目标；
若所述第i个扫描区域未检测到动态目标的时长超过预设时长，将所述第i个扫描区域和相邻的扫描区域进行合并。
2.根据权利要求1所述方法，其特征在于，还包括：
在所述第一点云的深度不小于所述最大点云深度时，确定所述第i个扫描区域内不存在动态目标，以及基于所述第一点云的深度更新所述第i个扫描区域关联的最大点云深度。
3.根据权利要求1所述方法，其特征在于，所述确定所述第i个扫描区域内存在动态目标之后，还包括：
获取所述激光雷达扫描的上一帧点云；
获取所述激光雷达在所述当前帧扫描的当前帧点云；
将所述当前帧点云和所述上一帧点云中对应位置的点云进行深度比较；
将所述当前帧点云中深度发生变化的点云识别为动态点云；
基于所述动态点云进行目标追踪。
4.根据权利要求3所述方法，其特征在于，所述基于所述动态点云进行动态目标追踪，包括：
使用点云聚类算法将所述动态点云聚合成为动态物体；
追踪所述动态物体，确定运动动态信息；其中，所述运动动态信息包括运动速度和运动方向。
5.根据权利要求4所述方法，其特征在于，所述使用点云聚类算法将所述动态点云聚合成为动态物体，包括：
将所述动态点云映射到二维栅格；
使用种子生长算法对所述二维栅格进行聚类，确定聚类结果；
基于所述聚类结果确定动态物体。
6.根据权利要求4所述方法，其特征在于，所述确定运动动态信息，包括：
基于所述动态物体确定预设数量的目标关键点；
基于所述目标关键点确定所述运动动态信息。
7.根据权利要求1所述方法，其特征在于，所述n个扫描区域的角度之和为360度，各个扫描区域的角度相同。
8.一种动态目标的检测装置，其特征在于，包括：
判断模块，用于根据至少一帧点云计算当前场景的复杂度，以及根据当前场景的复杂度确定对应的扫描区域的数量n；其中，复杂度和数量n呈正相关性；
扫描模块，用于获取激光雷达在当前帧的第i个扫描区域扫描到的第一点云；其中，所述激光雷达在一个帧内共扫描n个扫描区域，所述n个扫描区域的角度之和为预设角度，所述第i个扫描区域为所述n个扫描区域中的任意一个；
计算模块，用于计算所述第一点云的深度；其中，所述第一点云的深度为所述第i个扫描区域内的所有点云数据的深度的平均值；
获取模块，用于获取所述第i个扫描区域关联的最大点云深度；
确定模块，用于在所述第一点云的深度小于所述最大点云深度时，确定所述第i个扫描区域内存在动态目标；若所述第i个扫描区域未检测到动态目标的时长超过预设时长，将所述第i个扫描区域和相邻的扫描区域进行合并。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011103317.XA CN111932943B (zh) | 2020-10-15 | 2020-10-15 | 动态目标的检测方法、装置、存储介质及路基监测设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011103317.XA CN111932943B (zh) | 2020-10-15 | 2020-10-15 | 动态目标的检测方法、装置、存储介质及路基监测设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111932943A CN111932943A (zh) | 2020-11-13 |
| CN111932943B true CN111932943B (zh) | 2021-05-14 |
Family
ID=73334454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011103317.XA Active CN111932943B (zh) | 2020-10-15 | 2020-10-15 | 动态目标的检测方法、装置、存储介质及路基监测设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111932943B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112688991B (zh) * | 2020-12-15 | 2022-11-04 | 北京百度网讯科技有限公司 | 用于执行点云扫描操作的方法、相关装置及存储介质 |
| CN112702571B (zh) * | 2020-12-18 | 2022-10-25 | 福建汇川物联网技术科技股份有限公司 | 一种监控方法及装置 |
| WO2022133770A1 (zh) * | 2020-12-23 | 2022-06-30 | 深圳元戎启行科技有限公司 | 点云法向量的生成方法、装置、计算机设备和存储介质 |
| CN114488072A (zh) * | 2021-06-09 | 2022-05-13 | 深圳市速腾聚创科技有限公司 | 障碍物检测方法、装置及存储介质 |
| US11624831B2 (en) | 2021-06-09 | 2023-04-11 | Suteng Innovation Technology Co., Ltd. | Obstacle detection method and apparatus and storage medium |
| CN116659376A (zh) * | 2021-09-30 | 2023-08-29 | 深圳市速腾聚创科技有限公司 | 动态目标外观尺寸的确定方法及装置 |
| CN114047503B (zh) * | 2021-11-03 | 2024-06-14 | 珠海格力电器股份有限公司 | 活动对象检测方法、装置、电子设备和存储介质 |
| CN115082662B (zh) * | 2022-07-15 | 2023-02-03 | 深圳市速腾聚创科技有限公司 | 目标区域的定位方法和目标区域的定位装置 |
| CN115436912B (zh) * | 2022-11-02 | 2023-03-17 | 苏州一径科技有限公司 | 一种点云的处理方法、装置及激光雷达 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577697A (zh) * | 2013-11-12 | 2014-02-12 | 中国民用航空总局第二研究所 | 基于道路表面点云数据的fod检测方法 |
| CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
| CN108717540A (zh) * | 2018-08-03 | 2018-10-30 | 浙江梧斯源通信科技股份有限公司 | 基于2d激光雷达区分行人和车辆的方法及装置 |
| CN109633676A (zh) * | 2018-11-22 | 2019-04-16 | 浙江中车电车有限公司 | 一种基于激光雷达侦测障碍物运动方向的方法及系统 |
| CN109633685A (zh) * | 2018-11-22 | 2019-04-16 | 浙江中车电车有限公司 | 一种基于激光雷达侦测障碍物状态的方法及系统 |
| CN110018489A (zh) * | 2019-04-25 | 2019-07-16 | 上海蔚来汽车有限公司 | 基于激光雷达的目标追踪方法、装置及控制器和存储介质 |
| CN110084116A (zh) * | 2019-03-22 | 2019-08-02 | 深圳市速腾聚创科技有限公司 | 路面检测方法、装置、计算机设备和存储介质 |
| CN110220529A (zh) * | 2019-06-17 | 2019-09-10 | 深圳数翔科技有限公司 | 一种路侧自动驾驶车辆的定位方法 |
| CN110533055A (zh) * | 2018-05-25 | 2019-12-03 | 北京京东尚科信息技术有限公司 | 一种点云数据的处理方法和装置 |
| WO2020104423A1 (en) * | 2018-11-20 | 2020-05-28 | Volkswagen Aktiengesellschaft | Method and apparatus for data fusion of lidar data and image data |
| CN111540201A (zh) * | 2020-04-23 | 2020-08-14 | 山东大学 | 基于路侧激光雷达的车辆排队长度实时估计方法及系统 |
-
2020
- 2020-10-15 CN CN202011103317.XA patent/CN111932943B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577697A (zh) * | 2013-11-12 | 2014-02-12 | 中国民用航空总局第二研究所 | 基于道路表面点云数据的fod检测方法 |
| CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
| CN110533055A (zh) * | 2018-05-25 | 2019-12-03 | 北京京东尚科信息技术有限公司 | 一种点云数据的处理方法和装置 |
| CN108717540A (zh) * | 2018-08-03 | 2018-10-30 | 浙江梧斯源通信科技股份有限公司 | 基于2d激光雷达区分行人和车辆的方法及装置 |
| WO2020104423A1 (en) * | 2018-11-20 | 2020-05-28 | Volkswagen Aktiengesellschaft | Method and apparatus for data fusion of lidar data and image data |
| CN109633676A (zh) * | 2018-11-22 | 2019-04-16 | 浙江中车电车有限公司 | 一种基于激光雷达侦测障碍物运动方向的方法及系统 |
| CN109633685A (zh) * | 2018-11-22 | 2019-04-16 | 浙江中车电车有限公司 | 一种基于激光雷达侦测障碍物状态的方法及系统 |
| CN110084116A (zh) * | 2019-03-22 | 2019-08-02 | 深圳市速腾聚创科技有限公司 | 路面检测方法、装置、计算机设备和存储介质 |
| CN110018489A (zh) * | 2019-04-25 | 2019-07-16 | 上海蔚来汽车有限公司 | 基于激光雷达的目标追踪方法、装置及控制器和存储介质 |
| CN110220529A (zh) * | 2019-06-17 | 2019-09-10 | 深圳数翔科技有限公司 | 一种路侧自动驾驶车辆的定位方法 |
| CN111540201A (zh) * | 2020-04-23 | 2020-08-14 | 山东大学 | 基于路侧激光雷达的车辆排队长度实时估计方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111932943A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111932943B (zh) | 动态目标的检测方法、装置、存储介质及路基监测设备 | |
| CN111598034B (zh) | 障碍物检测方法、装置及存储介质 | |
| WO2021097618A1 (zh) | 点云分割方法、系统及计算机存储介质 | |
| US11709058B2 (en) | Path planning method and device and mobile device | |
| US11487988B2 (en) | Augmenting real sensor recordings with simulated sensor data | |
| US11455565B2 (en) | Augmenting real sensor recordings with simulated sensor data | |
| CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
| CN110226186B (zh) | 表示地图元素的方法和装置以及定位的方法和装置 | |
| CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
| CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
| CN109145677A (zh) | 障碍物检测方法、装置、设备及存储介质 | |
| JP2012221456A (ja) | 対象物識別装置及びプログラム | |
| CN113359782A (zh) | 一种融合lidar点云与图像数据的无人机自主选址降落方法 | |
| CN112904369B (zh) | 机器人重定位方法、装置、机器人和计算机可读存储介质 | |
| CN112789521B (zh) | 感知区域的确定方法、装置、存储介质及车辆 | |
| CN117302263A (zh) | 一种可行驶区域检测方法、装置、设备及存储介质 | |
| CN116299315A (zh) | 一种使用激光雷达实时检测路面障碍物的方法和装置 | |
| CN115373402A (zh) | 一种装载机行驶控制方法、装置、设备及存储介质 | |
| WO2020103043A1 (zh) | 线状物识别方法及装置、系统和计算机存储介质 | |
| CN116679315A (zh) | 作业地形检测方法、装置及用于检测作业地形的工程设备 | |
| CN113763308B (zh) | 一种地面检测方法、装置、服务器及介质 | |
| CN111912418B (zh) | 删除移动载体不可行驶区域内障碍物的方法、装置及介质 | |
| CN115249223A (zh) | 动态目标检测方法及装置、存储介质、终端 | |
| KR20220098572A (ko) | 3차원 그래프 뉴럴 네트워크 검출을 이용하여 증강현실 서비스를 제공하고 재생하는 장치 및 방법 | |
| EP3944137A1 (en) | Positioning method and positioning apparatus |
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 |