动态目标的检测方法、装置、存储介质及路基监测设备转让专利
申请号 : CN202011103317.X
文献号 : CN111932943B
文献日 : 2021-05-14
发明人 : 牟加俊
申请人 : 深圳市速腾聚创科技有限公司
摘要 :
权利要求 :
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。
说明书 :
动态目标的检测方法、装置、存储介质及路基监测设备
技术领域
背景技术
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
所述技术方案如下:
区域为所述n个扫描区域中的任意一个;
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;
行上述的方法步骤。
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
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;
具体实施方式
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。
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。
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。
系统中,该网络设备还可以是担任基站功能的终端设备。
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。
(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。
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。
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。
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。
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。
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。
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。
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。
米。
云深度为83米等。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
终端的全部或一部分。包括:
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;
联的最大点云深度。
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。
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。
processor 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 logic
device,PLD)或其他集成芯片。
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。
或图10所示实施例的具体说明,在此不进行赘述。
法。
口1203,存储器1205,至少一个通信总线1202。
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。
(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。
测应用程序,并具体执行以下操作:
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;
深度。
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。
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。