一种基于4D毫米波雷达点云的车辆检测方法技术

本发明专利技术公开了一种基于4D毫米波雷达点云的车辆检测方法，包括：使用融合滤波算法滤除点云数据集中的离群点和噪声点；使用改进的DBSCAN算法进行点云聚类，识别具有相似特征的点云数据，完成点云预处理；使用三分支PointRCNN网络对预处理后的4D毫米波雷达点云数据集进行检测，获得检测结果。本发明专利技术实现了较高的目标检测概率，初步解决了4D毫米波雷达目标检测技术匮乏的问题。目标检测技术匮乏的问题。目标检测技术匮乏的问题。

【技术实现步骤摘要】
一种基于4D毫米波雷达点云的车辆检测方法


[0001]本专利技术属于雷达点云目标识别技术，具体为一种基于4D毫米波雷达点云的车辆检测方法。

技术介绍

[0002]随着经济的快速发展和人民生活水平的逐步提高，汽车的普及率逐渐提高，然而随着汽车保有量的不断增长，交通事故也逐渐频发，驾驶员操作不当是导致交通事故频发的主要原因。智慧交通和自动驾驶技术的发展将极大地提高驾驶的安全性，车辆检测技术是其中的关键环节之一。
[0003]目前，常见的车辆检测方法包括基于视觉的车辆检测与基于激光雷达点云的车辆检测。其中，基于视觉的车辆检测方法能够捕捉交通目标的实时画面信息，但易受光照和天气等因素影响，且无法获取交通目标的准确运动信息；激光雷达性能易受恶劣天气影响且成本高昂。

技术实现思路

[0004]本专利技术的目的在于提出了一种基于4D毫米波雷达点云的车辆检测方法。
[0005]实现本专利技术目的的技术解决方案为：一种基于4D毫米波雷达点云的车辆检测方法，具体步骤为：
[0006]步骤1、使用融合滤波算法滤除点云数据集中的离群点和噪声点；
[0007]步骤2、使用改进的DBSCAN算法进行点云聚类，滤除虚假点云，识别具有相似特征的点云数据；
[0008]步骤3、将点云数据输入三分支PointRCNN网络提取不同密度分布下的点云特征，生成目标的备选提议框并优化，获得检测结果。
[0009]优选地，使用融合滤波算法滤除点云数据集中的离群点和噪声点的具体方法为：
[0010]步骤1
‑
1、在点云数据中对每一个点，计算它到所有临近点的平均距离，将平均距离在标准范围之外的点定义为噪声点并从点云数据中滤除；
[0011]步骤1
‑
2、利用半径滤波进行二次滤波，具体为：设定滤波半径和阈值，计算点云数据中每个点在其半径范围内的其他点的个数N，当N小于设定的阈值时，将该点定义为噪声点并从点云数据中滤除；
[0012]步骤1
‑
3、利用双边滤波对剩余噪声点进行滤除。
[0013]优选地，利用双边滤波对剩余噪声点进行滤除的具体方法为：在点云数据中对每一个点p搜索其半径为σ
d
的邻域集合，计算邻域集合内每个点的标准偏差σ
n
，根据式和式计算滤波函数的空间权重系数ω
d
和频率权重系数ω
n
，并计算
滤波因子p
i
点是点p邻域空间内任意一点，n
p
表示点p法向量，||p
i
‑
p||表示点p
i
到p的距离，||p
i
‑
p,n
p
||表示p
i
在点p法向量上的投影，<p
i
‑
p,n
p
>表示二者的向量积。点p沿其法线朝着点的加权平均值移动，获得更新后点的位置p+δ
·
n
p
替代原有位置。
[0014]优选地，使用改进的DBSCAN算法进行点云聚类，滤除虚假点云，识别具有相似特征的点云数据的具体方法为：
[0015]步骤2
‑
1、根据K
‑
平均最近邻法求出滤波后的点云数据集S的候选邻域半径Eps参数集S
Eps
；
[0016]步骤2
‑
2、依次选用不同K值所对应的K
‑
平均最近邻距离得到对应MinPts参数；
[0017]使用DBSCAN算法对滤波后的点云数据集S进行聚类：任意选择一个没有被聚类的核心对象，找到所有位于这个核心对象的Eps邻域内的核心对象的样本集合，标记为一个聚类簇；选择另一个没有被聚类的核心对象去寻找密度可达的样本集合，得到另一个聚类簇；直到所有核心对象都被聚类为止；得到不同K值下生成的聚类簇数，当聚类簇数连续三次相同时，认为聚类趋于稳定，记此时簇数N为最优簇数；
[0018]步骤2
‑
3、继续执行步骤2
‑
2，如果聚类簇数不再为N，选用当簇数为N时所对应的最大K值作为最优K值，最优K值对应的Eps参数则为最优Eps参数，最优Eps参数对应的MinPts参数则为最优MinPts参数；如果连续聚类的类数相同，则选择最大的Eps值为最优Eps参数，最优Eps参数对应的MinPts参数则为最优MinPts参数。
[0019]优选地，选用不同K值所对应的K
‑
平均最近邻距离得到对应MinPts参数的具体方法为：根据得到对应MinPts参数，其中，P
i
表示第i个点云的Eps邻域点数，n为点云数据总量。
[0020]优选地，所述三分支PointRCNN网络分为RPN阶段和RCNN阶段两个阶段子网络。
[0021]优选地，使用三分支PointRCNN网络对点云数据集进行检测的具体方法为：
[0022]步骤3
‑
1、根据点云距离，将点云划分为近、中、远三个区域，并在相邻区域间设定重叠区域，并调整每个区域的点数，近、中、远三个区域点数分别为：
[0023]m1、m2+1.5σ2、m3+2σ3，m1、m2、m3分别为近、中和远距离区域的点数的平均值，σ2、σ3分别为中、远距离区域点数的标准偏差；
[0024]步骤3
‑
2、将各个区域点数的点云数据分别输入到三分支PointRCNN网络中，RPN阶段子网络根据真实边界框将点云划分为前景和背景点，并生成相应的备选提议框；
[0025]步骤3
‑
3、RCNN阶段子网络将每个提议框的集合点转换为正则坐标，并结合RPN阶段子网络学习到的每个点的全局语义特征，进行边界框细化，获得检测结果。
[0026]本专利技术与现有技术相比，其显著优点为：1)本专利技术对点云进行预处理，使用融合滤波算法和改进的DBSCAN算法，去除了对检测结果存在不良影响的点云数据，实现噪声点、离群点的滤除，为后续目标检测提供大量先验知识，提高了目标检测概率；2)本专利技术使用三分支PointRCNN网络进行目标检测，直接运行在3D点云上，解决了点云分布不均匀性带来的问
题，平衡数据采样的有效性和多样性，具有高鲁棒性和准确的3D检测性能，通过对预处理后的点云进行监督学习，可以实现良好的目标检测效果。
[0027]下面结合附图对本专利技术做进一步详细的描述。
附图说明
[0028]图1为融合滤波算法流程图。
[0029]图2为改进的DBSCAN算法流程图。
[0030]图3为三分支PointRCNN主干网络示意图。
[0031]图4为4D毫米波雷达原始点云图。
[0032]图5为预处理后点云图，图5(a)为滤波处理结果示意图，图5(b)为聚类处理结果示意图。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于4D毫米波雷达点云的车辆检测方法，其特征在于，具体步骤为：步骤1、使用融合滤波算法滤除点云数据集中的离群点和噪声点；步骤2、使用改进的DBSCAN算法进行点云聚类，滤除虚假点云，识别具有相似特征的点云数据；步骤3、将点云数据输入三分支PointRCNN网络提取不同密度分布下的点云特征，生成目标的备选提议框并优化，获得检测结果。2.根据权利要求1所述的基于4D毫米波雷达点云的车辆检测方法，其特征在于，使用融合滤波算法滤除点云数据集中的离群点和噪声点的具体方法为：步骤1
‑
1、在点云数据中对每一个点，计算它到所有临近点的平均距离，将平均距离在标准范围之外的点定义为噪声点并从点云数据中滤除；步骤1
‑
2、利用半径滤波进行二次滤波，具体为：设定滤波半径和阈值，计算点云数据中每个点在其半径范围内的其他点的个数N，当N小于设定的阈值时，将该点定义为噪声点并从点云数据中滤除；步骤1
‑
3、利用双边滤波对剩余噪声点进行滤除。3.根据权利要求2所述的基于4D毫米波雷达点云的车辆检测方法，其特征在于，利用双边滤波对剩余噪声点进行滤除的具体方法为：在点云数据中对每一个点p搜索其半径为σ
d
的邻域集合，计算邻域集合内每个点的标准偏差σ
n
，根据式和式计算滤波函数的空间权重系数ω
d
和频率权重系数ω
n
，并计算滤波因子p
i
点是点p邻域空间内任意一点，n
p
表示点p法向量，||p
i
‑
p||表示点p
i
到p的距离，||p
i
‑
p,n
p
||表示p
i
在点p法向量上的投影，<p
i
‑
p,n
p
>表示二者的向量积。点p沿其法线朝着点的加权平均值移动，获得更新后点的位置p+δ
·
n
p
替代原有位置。4.根据权利要求1所述的基于4D毫米波雷达点云的车辆检测方法，其特征在于，使用改进的DBSCAN算法进行点云聚类，滤除虚假点云，识别具有相似特征的点云数据的具体方法为：步骤2
‑
1、根据K
‑
平均最近邻法求出滤波后的点云数据集S的候选...

【专利技术属性】
技术研发人员：吴礼，仝璐，李小柳，胡泰洋，肖泽龙，彭树生，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：