基于4D点云的检测方法、装置、存储介质及处理器制造方法及图纸

本申请提供了一种基于4D点云的检测方法、装置、存储介质及处理器，采用点云聚类算法、邻域半径自适应算法和邻域点数量自适应算法进行目标识别，计算目标点与4D毫米波雷达坐标系中的坐标原点的距离，确定目标4D点云数据对应的目标聚类集群对应的轮廓的邻域半径，确定搜索点的实际数量；在实际数量大于最小数量的情况下，滤除部分搜索点，确定剩余的搜索点形成目标聚类集群；根据目标聚类集群计算目标聚类集群的轮廓信息，确定目标聚类集群的对应目标对象；根据目标聚类集群进行航迹跟踪，实现了目标类型的准确输出，达到了无需要事先采集大量的样本数据进行监督学习，可以快速部署，且对车载硬件平台的要求不高的目的。对车载硬件平台的要求不高的目的。对车载硬件平台的要求不高的目的。

【技术实现步骤摘要】
基于4D点云的检测方法、装置、存储介质及处理器


[0001]本申请涉及车辆自动驾驶AI技术感知领域，具体而言，涉及一种基于4D点云的检测方法、装置、存储介质、处理器及系统。

技术介绍

[0002]基于道路车辆信息实现城市交通指挥是指挥交通系统重要应用之一，毫米波雷达因高带宽带来的高测距、测速精度、以及环境鲁棒性带来的全天候工作等优点，被广泛应用于道路交通车辆信息的检测和获取，但尽管常用的交通雷达或交通监视传感器能够较为精确的获取车辆速度、距离信息，但缺少获取车辆速度信息的手段，4D毫米波雷达，即可以测量目标三维空间坐标(Range(径向距离)、Azimuth(水平角度)、Elevation（俯仰角度）)和Velocity（速度）的一种较为新型的毫米波雷达传感器。在传统3D毫米波雷达的基础上，增加了对高度的探测能力。从而可以清晰的建立环境地图，测量的交通数据更加准确。
[0003]现有技术中基于4D毫米波雷达点云的目标检测算法包括两类，一类是基于无监督的机器学习算法，一类是基于有监督的深度学习算法。其中，深度学习算法需要提前采集大量的训练数据和样本，并且样本数据中需要包含丰富的特征便于网络进行特征识别，导致计算量过大，且对车载硬件平台的要求较高。
[0004]基于上述问题，本申请中提出了一种基于4D毫米波雷达无需提前采集大量的训练数据和样本的点云目标检测与跟踪方法。

技术实现思路

[0005]本申请的主要目的在于提供一种基于4D点云的检测方法及装置，以解决现有技术中4D毫米波雷达点云的目标检测算法计算量过大以及对车载硬件平台的要求较高的问题。
[0006]根据本专利技术实施例的一个方面，提供了一种基于4D点云的检测方法，应用于4D毫米波雷达中，所述方法包括：获取目标4D点云数据，确定目标4D点云数据对应的任意一个点为目标点，计算所述目标点与4D毫米波雷达坐标系中的坐标原点的距离，其中，所述4D毫米波雷达坐标系为以所述4D毫米波雷达中心点为坐标原点建立的坐标系，在目标点与4D毫米波雷达坐标系中的坐标原点的距离大于第一阈值的情况下，根据目标点与4D毫米波雷达坐标系中的坐标原点的距离和初始半径，确定目标4D点云数据对应的目标聚类集群对应的轮廓的邻域半径，初始半径小于目标聚类集群对应的轮廓的最大尺寸；确定目标4D点云数据对应的点中，与目标点之间的距离小于邻域半径的点为搜索点，得到搜索点的实际数量，在至少一个搜索点与目标点的距离大于第二阈值的情况下，至少根据搜索点与目标点的距离、第二阈值以及设定搜索点数量，确定目标聚类集群内的搜索点的最小数量；在实际数量大于最小数量的情况下，根据搜索点与目标点的距离以及搜索点与目标点之间的速度差值，滤除部分搜索点，确定剩余的搜索点形成目标聚类集群；
根据目标4D点云数据计算目标聚类集群的轮廓信息，确定目标聚类集群的轮廓对应的目标对象的类型。
[0007]可选地，上述方法还包括：在目标点距离4D毫米波雷达坐标系中的坐标原点的距离小于等于第一阈值的情况下，采用初始预设目标聚类集群的邻域半径阈值作为目标聚类集群的邻域半径。
[0008]可选地，根据目标点与4D毫米波雷达坐标系中的坐标原点的距离和初始半径，确定目标4D点云数据对应的目标聚类集群对应的轮廓的邻域半径，包括：根据搜索点与4D毫米波雷达坐标系中的坐标原点的欧式距离、设定的聚类半径保持不变的最大距离、聚类邻域半径的增加步长、聚类邻域半径的缩放因子，计算初始半径的补偿值；根据初始半径的补偿值与初始半径，采用 R
cluster
=R(1+
△
R)确定所述目标聚类集群的邻域半径，其中，R
cluster
为所述目标聚类集群的邻域半径，R为初始半径，ΔR为初始半径的补偿值。
[0009]可选地，根据搜索点与4D毫米波雷达坐标系中的坐标原点的欧式距离、设定的聚类半径保持不变的最大距离、聚类邻域半径的增加步长、聚类邻域半径的缩放因子，计算初始半径的补偿值，包括：采用计算所述初始半径的补偿值，其中，D为所述搜索点与所述4D毫米波雷达坐标系中的坐标原点的欧式距离，R
thre
为设定的聚类半径保持不变的最大距离， R
step
为聚类邻域半径的增加步长， R
factor
为聚类邻域半径的缩放因子。
[0010]可选地，上述方法还包括，包括：搜索点与目标点的距离小于等于设定的第二阈值，则采用设定搜索点作为目标聚类集群内的最小搜索点的数量。
[0011]可选地，至少根据搜索点与目标点的距离、第二阈值以及设定搜索点数量，确定目标聚类集群内的搜索点的最小数量，包括：根据n=min_pt((d0‑
d)/d
step
+1)d
factor
确定所述目标聚类集群内的最小所述搜索点的数量，其中，n为最小搜索点的数量，min_pt为初始预设最小搜索点的数量，d0为搜索点与目标点的距离的阈值，d为搜索点与目标点的距离，d
step
为搜索点数量变化步长，d
factor
为搜索点数量变化因子。
[0012]可选地，根据搜索点与目标点的距离以及搜索点与目标点之间的速度差值，滤除部分搜索点，确定剩余的搜索点形成目标聚类集群，包括：获取搜索点与目标点的距离，判断搜索点与目标点的距离是否大于第一距离门限，若大于第一距离门限，则将搜索点滤除，其中，第一距离门限包括：搜索点与目标点的距离大于目标聚类集群的邻域半径；获取目标点的速度方向，计算目标点的速度方向与4D毫米波雷达坐标系的X轴的夹角，根据目标点的速度方向与4D毫米波雷达坐标系的X轴的夹角、搜索点与目标点之间的距离的正弦值，确定搜索点与目标点之间的横向距离，判断搜索点与目标点之间的横向距离是否大于第二距离门限，若大于第二距离门限，则将搜索点滤除，其中，第二距离门限包括：搜索点与目标点之间的横向距离阈值；获取搜索点的速度与目标点的速度，计算搜索点与目标点的速度差，判断搜索点与目标点的速度差是大于第一速度门限，若大于第一速度门限，则将搜索点滤除，其中，第一速度门限包括：搜索点的速度与目标点的速度之间的速度差阈值；获取搜索点的速度方向与目标点的速度方向，计算搜索点与目标点速度方向的夹角，搜索点与目标点速度方向的夹角是否大于第二速度门限，若大于第二速度门限，则将搜索点滤除，其中，第二速度门限包括：搜索点速度方向与目标点速度方向的夹角阈值；将目标聚类集群内的剩余搜索点作为目标聚类集群内的点。
[0013]可选地，根据目标4D点云数据计算目标聚类集群的轮廓信息，确定目标聚类集群的轮廓对应的目标对象的类型，包括：获取目标聚类集群内的所有点的速度，计算目标聚类集群内的所有点的速度的均值，得到目标聚类集群的速度；在目标聚类集群的速度大于预设的速度阈值的情况下，根据所述目标聚类集群的速度、4D毫米波雷达坐标计算所述目标聚类集群对应的目标对象的朝向，根据所述目标聚类集群对应的目标对象的朝向计算所述目标聚类集群中每两个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于4D点云的检测方法，其特征在于，应用于4D毫米波雷达中，所述方法包括：获取目标4D点云数据，确定所述目标4D点云数据对应的任意一个点为目标点，计算所述目标点与4D毫米波雷达坐标系中的坐标原点的距离，其中，所述4D毫米波雷达坐标系为以所述4D毫米波雷达中心点为坐标原点建立的坐标系，在所述目标点与所述4D毫米波雷达坐标系中的坐标原点的距离大于第一阈值的情况下，根据所述目标点与所述4D毫米波雷达坐标系的坐标原点的距离和初始半径，确定所述目标4D点云数据对应的目标聚类集群对应的轮廓的邻域半径，所述初始半径小于所述目标聚类集群对应的轮廓的最大尺寸；确定所述目标4D点云数据对应的点中，与所述目标点之间的距离小于所述邻域半径的点为搜索点，得到所述搜索点的实际数量，在至少一个所述搜索点与所述目标点的距离大于第二阈值的情况下，至少根据所述搜索点与所述目标点的距离、所述第二阈值以及设定搜索点数量，确定所述目标聚类集群内的所述搜索点的最小数量；在所述实际数量大于所述最小数量的情况下，根据所述搜索点与所述目标点的距离以及所述搜索点与所述目标点之间的速度差值，滤除部分所述搜索点，确定剩余的所述搜索点形成所述目标聚类集群；根据所述目标4D点云数据计算所述目标聚类集群的轮廓信息，确定所述目标聚类集群的轮廓对应的目标对象的类型。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述目标点距离所述4D毫米波雷达坐标系中的坐标原点的距离小于等于第一阈值的情况下，采用初始预设所述目标聚类集群的邻域半径阈值作为所述目标聚类集群的邻域半径。3.根据权利要求1所述的方法，其特征在于，根据所述目标点与所述4D毫米波雷达坐标系中的坐标原点的距离和初始半径，确定所述目标4D点云数据对应的目标聚类集群对应的轮廓的邻域半径，包括：根据所述搜索点与所述4D毫米波雷达坐标系中的坐标原点的欧式距离、设定的聚类半径保持不变的最大距离、聚类邻域半径的增加步长、聚类邻域半径的缩放因子，计算初始半径的补偿值；根据所述初始半径的补偿值与所述初始半径，采用R
cluster
=R(1+
△
R)确定所述目标聚类集群的邻域半径，其中， R
cluster
为所述目标聚类集群的邻域半径，R为初始半径，ΔR为初始半径的补偿值。4.根据权利要求3所述的方法，其特征在于，根据所述搜索点与所述4D毫米波雷达坐标系中的坐标原点的欧式距离、设定的聚类半径保持不变的最大距离、聚类邻域半径的增加步长、聚类邻域半径的缩放因子，计算初始半径的补偿值，包括：采用计算所述初始半径的补偿值，其中，D为所述搜索点与所述4D毫米波雷达坐标系中的坐标原点的欧式距离，R
thre
为设定的聚类半径保持不变的最大距离， R
step
为聚类邻域半径的增加步长， R
factor
为聚类邻域半径的缩放因子。5.根据权利要求1所述的方法，其特征在于，所述方法还包括，包括：所述搜索点与所述目标点的距离小于等于设定的所述第二阈值，则采用所述设定搜索
点作为所述目标聚类集群内的最小所述搜索点的数量。6.根据权利要求1所述的方法，其特征在于，至少根据所述搜索点与所述目标点的距离、所述第二阈值以及设定搜索点数量，确定所述目标聚类集群内的所述搜索点的最小数量，包括：根据n=min_pt((d0‑
d)/d
step
+1)d
factor
确定所述目标聚类集群内的最小所述搜索点的数量，其中， n为最小搜索点的数量， min_pt为初始预设最小搜索点的数量，d0为搜索点与目标点的距离的阈值，d为搜索点与目标点的距离，d
step
为搜索点数量变化步长，d
factor
为搜索点数量变化因子。7.根据权利要求1所述的方法，其特征在于，根据所述搜索点与所述目标点的距离以及所述搜索点与所述目标点之间的速度差值，滤除部分所述搜索点，确定剩余的所述搜索点形成所述目标聚类集群，包括：获取所述搜索点与所述目标点的距离，判断所述搜索点与所述目标点的距离是否大于第一距离门限，若大于所述第一距离门限，则将所述搜索点在滤除，其中，第一距离门限包括：所述搜索点与目标点的距离大于所述目标聚类集群的邻域半径；获取所述目标点的速度方向，计算所述目标点的速度方向与所述4D毫米波雷达坐标系的X轴的夹角，根据所述目标点的速度方向与所述4D毫米波雷达坐标系的X轴的夹角、所述搜索点与所述目标点之间的距离的正弦值，确定所述搜索点与所述目标点之间的横向距离，判断所述搜索点与所述目标点之间的横向距离是否大于第二距离门限，若大于所述第二距离门限，则将所述搜索点滤除，其中，第二距离门限包括：所述搜索点与所述目标点之间的横向距离阈值；获取所述搜索点的速度与所述目标点的速度，计算所述搜索点与所述目标点的速度差，判断所述搜索点与所述目标点的速度差是大于第一速度门限，若大于所述第一速度门限，则将所述搜索点滤除，其中，第一速度门限包括：所述搜索点的速度与所述目标点的速度之间的速度差阈值；获取所述搜索点的速度方向与所述目标点的速度方向，计算所述搜索点与所述目标点速度方向的夹角，所述搜索点与所述目标点速度方向的夹角是否大于第二速度门限，若大于所述第二速度门限，则将所述搜索点滤除，其中，第二速度门限包括：所述搜索点速度方向与所述目标点速度方向的夹角阈值；将所述目标聚类集群内的...

【专利技术属性】
技术研发人员：杨福威，王梓臣，史院平，吴宏升，韩志华，
申请(专利权)人：苏州挚途科技有限公司，
类型：发明
国别省市：