[发明专利]一种基于4D毫米波雷达点云的车辆检测方法

说明书

本发明公开了一种基于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。

技术领域

本发明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。

背景技术

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。

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。

发明内容

本发明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。

实现本发明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：

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。

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：

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。

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。

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：

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；

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；