CN114137523A - 车载毫米波雷达原始点云的噪点排除方法和系统 - Google Patents

Abstract

本发明涉及雷达技术领域，提供一种车载毫米波雷达原始点云的噪点排除方法和系统，方法包括：获取车载毫米波雷达的原始点云数据；根据原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值；将雷达散射截面小于静止雷达散射截面阈值的静止点和雷达散射截面小于移动雷达散射截面阈值的移动点排除，得到噪点排除后的点云数据。本发明一方面通过针对点云数据直接进行噪点排除操作，为后续不同感知任务提供了更为准确的数据基础；另一方面通过将静止和移动点数据分别进行计算和判断，进而排除大于阈值的点数据，能够避免由于雷达性能造成的雷达散射截面RCS准确性不足的问题，实现更为精细化的噪声排除。

Description

车载毫米波雷达原始点云的噪点排除方法和系统

技术领域

本发明涉及雷达技术领域，尤其涉及一种车载毫米波雷达原始点云的噪点排除方法和系统。

背景技术

车载毫米波雷达由于其频段、波形以及移动平台和高速场景的使用特点，其点云分布具有分布稀疏、误检多、干扰强、距离速度模糊等的不足，导致了自动驾驶和辅助驾驶场景下容易出现目标误检和漏检的问题。

为了解决这一问题，现有技术通常在信号处理阶段针对误检和漏检进行优化，这种优化的普适性较差，特定优化方法往往只能对单一感知任务有效，进而导致了多个不同的利用原始点云数据的并行任务往往需要分别独立地对点云数据进行处理。

目前尚未有系统、有效的方法用来对点云阶段的radar原始点进行预处理的手段。因此，如何提供一种针对雷达原始点云数据的噪点排除方法成为了业内亟需解决的技术问题。

发明内容

本发明提供一种车载毫米波雷达原始点云的噪点排除方法和系统，用以解决现有技术中目标误检的缺陷，实现雷达原始点云处理阶段的噪点排除。

本发明提供一种车载毫米波雷达原始点云的噪点排除方法，包括：

获取车载毫米波雷达的原始点云数据；

根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值；

将雷达散射截面小于静止雷达散射截面阈值的静止点和雷达散射截面小于移动雷达散射截面阈值的移动点排除，得到噪点排除后的点云数据。

根据本发明提供的一种车载毫米波雷达原始点云的噪点排除方法，所述静止雷达散射截面阈值T₁通过第一公式计算得到：

式中，k_c、k_a、k_m均为与毫米波雷达相关的常数；R₁为所述静止点数据相对于雷达的距离；e为自然对数的底；rcs_{aeb offset}为自车前向静止点数据的自动紧急制动AEB补偿常数；rcs_{angle offset}为雷达散射截面的角偏移量。

根据本发明提供的一种车载毫米波雷达原始点云的噪点排除方法，所述移动雷达散射截面阈值T₂通过第二公式计算得到：

式中，k_c、k_a、k_m均为与毫米波雷达相关的常数；R₂为所述移动点数据相对于雷达的距离；e为自然对数的底；rcs_{angle offset}为雷达散射截面的角偏移量。

根据本发明提供的一种车载毫米波雷达原始点云的噪点排除方法，对于车载前向雷达，所述雷达散射截面的角偏移量rcs_{angle offset}满足第三公式：

rcs_{angle offset}＝max(k₁×|azimuth|，k₂)

式中，azimuth为所述点数据的方位角；k₁、k₂均为经验常数；max为取极大值的函数；

对于车载角雷达，所述雷达散射截面的角偏移量rcs_{angle offset}满足第四公式：

式中，azimuth为所述点数据的方位角；k₃、k₄、k₅均为经验常数；R为所述点数据相对于车载角雷达的距离；e为自然对数的底；max为取极大值的函数。

根据本发明提供的一种车载毫米波雷达原始点云的噪点排除方法，所述静止点数据和移动点数据是根据所述点数据的绝对速度确定的；

所述绝对速度是通过车体坐标系下所述点数据相对于车体的速度转换得到的、相对于地面的速度。

根据本发明提供的一种车载毫米波雷达原始点云的噪点排除方法，还包括：

将多次反射点数据排除，得到多次反射排除后的点云数据；

所述多次反射点数据是指相对于任一点数据，到雷达的距离成倍数关系、速度成倍数关系且方位角差值在设定范围内的点数据。

根据本发明提供的一种车载毫米波雷达原始点云的噪点排除方法，还包括：

根据所述点数据取得时所述雷达的扫描状态，确定视场角范围；

排除方位角未处于所述视场角范围内的点数据，得到视场角排除后的点云数据。

根据本发明提供的一种车载毫米波雷达原始点云的噪点排除方法，还包括：

根据所述原始点云数据的分布，确定道路边沿点数据和所述道路边沿合围形成的可行驶区域；

排除所述道路边沿点数据和可行驶区域外的点数据，得到路沿排除后的点云数据。

根据本发明提供的一种车载毫米波雷达原始点云的噪点排除方法，所述根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值的步骤前，还包括如下步骤中的任一者或任多者组合：

确定所述原始点云数据为非空数据；

确定所述原始点云数据中，至少存在一个点数据相对于所述雷达的距离大于设定阈值；

确定所述原始点云数据中，点数据坐标、速度以及多普勒值为置信度最高的取值。

本发明还提供一种车载毫米波雷达原始点云的噪点排除系统，包括：

获取模块，用于获取车载毫米波雷达的原始点云数据；

阈值模块，用于根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值；

排除模块，用于将雷达散射截面小于静止雷达散射截面阈值的静止点和雷达散射截面小于移动雷达散射截面阈值的移动点排除，得到噪点排除后的点云数据。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述车载毫米波雷达原始点云的噪点排除方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述车载毫米波雷达原始点云的噪点排除方法的步骤。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述车载毫米波雷达原始点云的噪点排除方法的步骤。

本发明提供的车载毫米波雷达原始点云的噪点排除方法和系统，通过针对点云数据直接进行噪点排除操作，为后续不同感知任务提供了更为准确的数据基础；

同时，通过将静止点数据和移动点数据分别进行雷达散射截面的阈值计算和判断，进而排除雷达散射截面大于阈值的点数据，能够避免由于雷达性能造成的雷达散射截面RCS准确性不足的问题，实现更为精细化的噪声排除。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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获得其他的附图。

图1是本发明提供的车载毫米波雷达原始点云的噪点排除方法的流程示意图；

图2是本发明实施例提供的车载毫米波雷达原始点云的噪点排除方法中路沿排除的示意图；

图3是本发明提供的车载毫米波雷达原始点云的噪点排除系统的结构示意图；

图4是本发明提供的电子设备的结构示意图。

附图标记：

1：获取模块； 2：阈值模块； 3：排除模块；

410：处理器； 420：通信接口； 430：存储器；

440：通信总线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，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。

下面结合图1、图2描述本发明的车载毫米波雷达原始点云的噪点排除方法.

如图1所示，本发明实施例提供一种车载毫米波雷达原始点云的噪点排除方法，包括：

步骤101，获取车载毫米波雷达的原始点云数据；

步骤103，根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值；

步骤105，将雷达散射截面小于静止雷达散射截面阈值的静止点和雷达散射截面小于移动雷达散射截面阈值的移动点排除，得到噪点排除后的点云数据。

本实施例中，所述静止点数据和移动点数据是根据所述点数据的绝对速度确定的；

所述绝对速度是通过车体坐标系下所述点数据相对于车体的速度转换得到的、相对于地面的速度。

具体地，本实施例提供一种静止点数据和移动点数据的确定方法，包括：

确定所述原始点云数据中的数据点的采集雷达；

根据所述采集雷达的位置和所述点数据的坐标，确定点数据的相对速度方向；

根据所述车体(即本车)的速度和所述点数据的相对速度信息(即点数据相对于车体的速度)，得到所述点数据的绝对速度；

将绝对速度为零的点数据确定为静止点数据；

将绝对速度不为零的点数据确定为移动点数据；

值得说明的是，步骤103中，静止雷达散射截面阈值和移动雷达散射截面阈值的计算，同样是基于所述数据点的车体坐标进行的。

所述车体坐标的获取步骤包括：

根据所述采集雷达和所述数据点，确定所述采集雷达的极坐标系和所述数据点的极坐标；

根据所述采集雷达的位置和标定信息，将所述数据点的极坐标转换为车体坐标系下的车体坐标；

本实施例的有益效果在于：

通过针对点云数据直接进行噪点排除操作，为后续不同感知任务提供了更为准确的数据基础；

同时，通过将静止点数据和移动点数据分别进行雷达散射截面的阈值计算和判断，进而排除雷达散射截面大于阈值的点数据，能够避免由于雷达性能造成的雷达散射截面RCS准确性不足的问题，实现更为精细化的噪声排除。雷达散射截面RCS表征了雷达波照射下所产生回波强度的物理量。毫米波雷达，频率高、波长短，汽车、卡车等自动驾驶目标是金属材质、且具有复杂的外形结构，能够在其表明形成较强的反射，该波段下具备较大的RCS，而噪声、杂波的来源包括系统内的热噪声、雨、雾、地面等引起杂波，以及多径反射等引起的干扰，其RCS往往较小。传统算法往往在DBSCAN后的聚类目标阶段使用RCS进行过滤。本算法在点的预处理阶段进行过滤，能大大减小噪点进入下一阶段的可能，在提升DBSCAN精度，减少聚类计算量方面具有很大的优势。

根据上述实施例，在本实施例中：

所述静止雷达散射截面阈值T₁通过第一公式计算得到：

式中，k_c、k_a、k_m均为与毫米波雷达相关的常数；R₁为所述静止点数据相对于雷达的距离；e为自然对数的底；rcs_{aeb offset}为自车前向静止点数据的自动紧急制动AEB补偿常数(其中自车是指所述毫米波雷达所在车辆)，在一个优选的实施方式中rcs_{aeb offset}＝-3；rcs_{angle offset}为雷达散射截面的角偏移量。

所述移动雷达散射截面阈值T₂通过第二公式计算得到：

式中，k_c、k_a、k_m均为与毫米波雷达相关的常数；R₂为所述移动点数据相对于雷达的距离；e为自然对数的底；rcs_{angle offset}为雷达散射截面的角偏移量。

于车载前向雷达，所述雷达散射截面的角偏移量rcs_{angle offset}满足第三公式：

rcs_{angle offset}＝max(k₁×|azimuth|，k₂)

式中，azimuth为所述点数据的方位角；k₁、k₂均为经验常数，在一个优选的实施方式中，k₁＝-4，k₂＝-3.5；max为取极大值的函数；

对于车载角雷达，所述雷达散射截面的角偏移量rcs_{angle offset}满足第四公式：

式中，azimuth为所述点数据的方位角；k₃、k₄、k₅均为经验常数，在一个优选的实施方式中，k₃＝-4.5，k₄＝-0.2，k₅＝-5.5；R为所述点数据相对于车载角雷达的距离；e为自然对数的底；max为取极大值的函数。

本实施例的有益效果在于：

通过对静止点数据的阈值中，增加自动紧急制动AEB补偿常数，能够使得后续任务对于静止障碍物的识别更为敏感，从而降低自动驾驶或辅助驾驶场景中漏检的概率。

根据上述任一实施例，在本实施例中还包括：

将多次反射点数据排除，得到多次反射排除后的点云数据；

所述多次反射点数据是指相对于任一点数据，到雷达的距离成倍数关系、速度成倍数关系且方位角差值在设定范围内的点数据。

值得说明的是，由于多普勒效应的存在，毫米波雷达返回的数据中自然包括有关该点的速度信息，而多次反射的毫米波反射点数据，其距离和速度成倍数关系，且方向角相同。然而实际使用中，由于雷达误差的存在，可以设定误差阈值，使得距离、速度不必严格符合倍数关系，方位角不必严格相同，进而更为有效的排除多次反射点。

根据所述点数据取得时所述雷达的扫描状态，确定视场角范围；

排除方位角未处于所述视场角范围内的点数据，得到视场角排除后的点云数据。

根据所述原始点云数据的分布，确定道路边沿点数据和所述道路边沿合围形成的可行驶区域；

排除所述道路边沿点数据和可行驶区域外的点数据，得到路沿排除后的点云数据。

所述根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值的步骤前，还包括如下步骤中的任一者或任多者组合：

确定所述原始点云数据为非空数据；

确定所述原始点云数据中，至少存在一个点数据相对于所述雷达的距离大于设定阈值；

也就是说，若所有点数据相对于雷达的距离均小于等于该设定阈值，则说明点云集中在一相对较小的范围内，这种点云数据通常为识别有误的数据，因此不必予以考虑和排除。

确定所述原始点云数据中，点数据坐标、速度以及多普勒值为置信度最高的取值。

雷达返回数据中，针对同一点数据，往往存在不同置信度的至少两组数据值，这是由于雷达本身设置的原因产生的，本实施例提供的方法可以基于置信度较高的数据值进行。

本实施例的有益效果在于：

本实施例在上述实施例的基础上，进一步加入了多次反射排除、视场角排除以及路沿排除的技术手段，更进一步地对噪点进行了多角度的有效排除，得到更为精确有效的点云数据。

同时，本实施例通过对原始点云数据添加判断步骤，避免了对无效数据的无意义操作，进一步提升了噪点排除的效率。

根据上述实施例，下面将提供一种包括完整流程的实施例。

本实施例旨在通过雷达点云特征，剔除radar(雷达)点云中的多种干扰和杂波，得到真实目标和障碍物的反射点，具体流程如下：

1.将所有原始点分为静止和运动点两类，分别执行后续步骤；

2.根据radar(雷达)所处的工作状态和工作模式，对有效区域外的点进行初次过滤；

3.对来自不同radar的点，根据工作特性，设定不同的rcs门限，进行二次过滤；

4.进行multi-path(多路径反射，即毫米波经不同物体的反射后被雷达检测得到的点)的判断和过滤；

5.进行multi-bounce(多次反射，即毫米波经本车和同一物体多次反射后被雷达检测得到的点)的判断和过滤；

6.进行点的速度解模糊。

通过以上预处理步骤，能够基本将杂波、干扰去除，能大大减少后续检测跟踪的难度，提高算法的稳定性。

值得说明的是，上述预处理步骤(即噪点排除步骤)的执行顺序并不固定，换言之，步骤2-6的顺序可以改变。

在一个优选的实施方式中，步骤2-6顺序执行，这种执行顺序能够将易于计算和排除的步骤较早执行，从而较早地将易于排除的噪点排除，进而使得整个方法的执行效率得以提升。

进一步地，下面将更为细致地对本实施例的步骤予以说明。

Radar点云中存在大量的杂波、多路径反射、多次反射产生的“噪声”点。

根据Radar点云属性x，y，doppler(多普勒值)，rcs(雷达散射截面)等信息，通过一系列的条件判断，可以识别出真实物体产生的点，滤除噪声点。

根据点云分布，计算radar barrier作为道路的边沿(如图2所示)，滤去这些构成barrier的点。

根据radar各个传感器的FOV(视场角)，以及我们感兴趣的自动驾驶感知区域，滤去超出感兴趣区域的点。

对于运动的点，和静止的点，分别根据他们的角度和状态，计算rcs_offset，如果点的rcs低于rcs offset，则认为是可疑的噪点。

对剩余的根据距离进行排序，由近到远，对于第i个点，遍历他之后的所有点，如果距离成倍数关系的，根据需要滤去的n-multi-bounce判定为multi-bounce点。

本实施例的有益效果在于：

通过针对点云数据直接进行噪点排除操作，为后续不同感知任务提供了更为准确的数据基础；

同时，通过将静止点数据和移动点数据分别进行雷达散射截面的阈值计算和判断，进而排除雷达散射截面大于阈值的点数据，能够避免由于雷达性能造成的雷达散射截面RCS准确性不足的问题，实现更为精细化的噪声排除。

下面对本发明提供的车载毫米波雷达原始点云的噪点排除装置进行描述，下文描述的车载毫米波雷达原始点云的噪点排除装置与上文描述的车载毫米波雷达原始点云的噪点排除方法可相互对应参照。

本发明实施例还提供一种车载毫米波雷达原始点云的噪点排除系统，包括：

获取模块1，用于获取车载毫米波雷达的原始点云数据；

阈值模块2，用于根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值；

排除模块3，用于将雷达散射截面小于静止雷达散射截面阈值的静止点和雷达散射截面小于移动雷达散射截面阈值的移动点排除，得到噪点排除后的点云数据。

进一步地，本实施例的系统还包括：

多次反射排除模块，用于将多次反射点数据排除，得到多次反射排除后的点云数据；

所述多次反射点数据是指相对于任一点数据，到雷达的距离成倍数关系、速度成倍数关系且方位角差值在设定范围内的点数据。

视场角确定模块，用于根据所述点数据取得时所述雷达的扫描状态，确定视场角范围；

视场角排除模块，用于排除方位角未处于所述视场角范围内的点数据，得到视场角排除后的点云数据。

路沿确定模块，用于根据所述原始点云数据的分布，确定道路边沿点数据和所述道路边沿合围形成的可行驶区域；

路沿排除模块，用于排除所述道路边沿点数据和可行驶区域外的点数据，得到路沿排除后的点云数据。

非空确定模块，用于确定所述原始点云数据为非空数据；

有效确定模块，用于确定所述原始点云数据中，至少存在一个点数据相对于所述雷达的距离大于设定阈值；

置信确定模块，用于确定所述原始点云数据中，点数据坐标、速度以及多普勒值为置信度最高的取值。

本实施例的有益效果在于：

通过针对点云数据直接进行噪点排除操作，为后续不同感知任务提供了更为准确的数据基础；

同时，通过将静止点数据和移动点数据分别进行雷达散射截面的阈值计算和判断，进而排除雷达散射截面大于阈值的点数据，能够避免由于雷达性能造成的雷达散射截面RCS准确性不足的问题，实现更为精细化的噪声排除。

图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(CommunicationsInterface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行车载毫米波雷达原始点云的噪点排除方法，该方法包括：获取车载毫米波雷达的原始点云数据；根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值；将雷达散射截面小于静止雷达散射截面阈值的静止点和雷达散射截面小于移动雷达散射截面阈值的移动点排除，得到噪点排除后的点云数据。

此外，上述的存储器430中的逻辑指令可以通过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，本发明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)执行本发明各个实施例所述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。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的车载毫米波雷达原始点云的噪点排除方法，该方法包括：获取车载毫米波雷达的原始点云数据；根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值；将雷达散射截面小于静止雷达散射截面阈值的静止点和雷达散射截面小于移动雷达散射截面阈值的移动点排除，得到噪点排除后的点云数据。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的车载毫米波雷达原始点云的噪点排除方法，该方法包括：获取车载毫米波雷达的原始点云数据；根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值；将雷达散射截面小于静止雷达散射截面阈值的静止点和雷达散射截面小于移动雷达散射截面阈值的移动点排除，得到噪点排除后的点云数据。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (13)

1.一种车载毫米波雷达原始点云的噪点排除方法，其特征在于，包括：

获取车载毫米波雷达的原始点云数据；

根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值；

将雷达散射截面小于静止雷达散射截面阈值的静止点和雷达散射截面小于移动雷达散射截面阈值的移动点排除，得到噪点排除后的点云数据。

2.根据权利要求1所述的车载毫米波雷达原始点云的噪点排除方法，其特征在于，所述静止雷达散射截面阈值T₁通过第一公式计算得到：

式中，k_c、k_a、k_m均为与毫米波雷达相关的常数；R₁为所述静止点数据相对于雷达的距离；e为自然对数的底；rcs_aeboffset为自车前向静止点数据的自动紧急制动AEB补偿常数；rcs_angleoffset为雷达散射截面的角偏移量。

3.根据权利要求1所述的车载毫米波雷达原始点云的噪点排除方法，其特征在于，所述移动雷达散射截面阈值T₂通过第二公式计算得到：

式中，k_c、k_a、k_m均为与毫米波雷达相关的常数；R₂为所述移动点数据相对于雷达的距离；e为自然对数的底；rcs_angleoffset为雷达散射截面的角偏移量。

4.根据权利要求2或3所述的车载毫米波雷达原始点云的噪点排除方法，其特征在于，对于车载角雷达，所述雷达散射截面的角偏移量rcs_angleoffset满足第三公式：

rcs_angleoffset＝max(k₁×|azimuth|，k₂)

式中，azimuth为所述点数据的方位角；k₁、k₂均为经验常数；max为取极大值的函数；

对于车载前向雷达，所述雷达散射截面的角偏移量rcs_angleoffset满足第四公式：

式中，azimuth为所述点数据的方位角；k₃、k₄、k₅均为经验常数；R为所述点数据相对于车载角雷达的距离；e为自然对数的底；max为取极大值的函数。

5.根据权利要求1所述的车载毫米波雷达原始点云的噪点排除方法，其特征在于，所述静止点数据和移动点数据是根据所述点数据的绝对速度确定的；

所述绝对速度是通过车体坐标系下所述点数据相对于车体的速度转换得到的、相对于地面的速度。

6.根据权利要求1所述的车载毫米波雷达原始点云的噪点排除方法，其特征在于，还包括：

将多次反射点数据排除，得到多次反射排除后的点云数据；

所述多次反射点数据是指相对于任一点数据，到雷达的距离成倍数关系、速度成倍数关系且方位角差值在设定范围内的点数据。

7.根据权利要求1所述的车载毫米波雷达原始点云的噪点排除方法，其特征在于，还包括：

根据所述点数据取得时所述雷达的扫描状态，确定视场角范围；

排除方位角未处于所述视场角范围内的点数据，得到视场角排除后的点云数据。

8.根据权利要求1所述的车载毫米波雷达原始点云的噪点排除方法，其特征在于，还包括：

根据所述原始点云数据的分布，确定道路边沿点数据和所述道路边沿合围形成的可行驶区域；

排除所述道路边沿点数据和可行驶区域外的点数据，得到路沿排除后的点云数据。

9.根据权利要求1所述的车载毫米波雷达原始点云的噪点排除方法，其特征在于，所述根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值的步骤前，还包括如下步骤中的任一者或任多者组合：

确定所述原始点云数据为非空数据；

确定所述原始点云数据中，至少存在一个点数据相对于所述雷达的距离大于设定阈值；

确定所述原始点云数据中，点数据坐标、速度以及多普勒值为置信度最高的取值。

10.一种车载毫米波雷达原始点云的噪点排除系统，其特征在于，包括：

获取模块，用于获取车载毫米波雷达的原始点云数据；

阈值模块，用于根据所述原始点云数据中的静止点数据和移动点数据，计算得到静止雷达散射截面阈值和移动雷达散射截面阈值；

排除模块，用于将雷达散射截面小于静止雷达散射截面阈值的静止点和雷达散射截面小于移动雷达散射截面阈值的移动点排除，得到噪点排除后的点云数据。

11.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至9任一项所述车载毫米波雷达原始点云的噪点排除方法的步骤。

12.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述车载毫米波雷达原始点云的噪点排除方法的步骤。

13.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述车载毫米波雷达原始点云的噪点排除方法的步骤。

Images