基于帧间DBSCAN聚类的毫米波雷达交通多目标跟踪方法

毫米波雷达已成为车联网中的主流传感器之一,可用于交通场景的多目标跟踪。本文将毫米波雷达安装于道路上方进行交通目标跟踪,针对基于帧内DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类的多目标跟踪中,在该安装场景下多径噪点难以去除和纵向的交通目标点云难以区分的问题,提出了基于帧间DBSCAN聚类的毫米波雷达交通多目标跟踪方法。该算法使用多帧合并处理的方式,利用帧序特征用于解决多径噪点问题,并利用空间纵向分段的方法改善了原算法在纵向上目标区分度不足的缺点。本文通过六组不同的实际场景实验,证明了本方法在不同场景下,均相比原方法对跟踪结果有不同程度的改善。      

毫米波雷达自适应门限点云成像方法研究

毫米波雷达作为一种重要的车载传感器,在自动驾驶领域得到了广泛地应用。近年来随着汽车智能化程度的提高,高质量雷达点云的生成受到了人们的极大关注。传统毫米波雷达点云成像由于存在杂波点太多、有效点云稀疏等缺点而限制了其在自动驾驶领域的发展。因此,如何提高毫米波雷达点云密度和质量成为了业界研究的重点问题。近年来,随着多输入多输出（MIMO）技术以及控制多片级联同步技术的成熟,使得毫米波雷达天线的角度分辨率得到了极大提升,推动了毫米波雷达在点云成像上的发展。在此基础上,本文设计了一套完整的毫米波雷达系统级点云成像算法,并使用TI公司的AWR2243级联雷达开发套件对实际场景进行数据采集,生成了较为致密可信的毫米波雷达三维点云图像,基本实现了对车载平台侧面场景的有效还原。     

毫米波雷达的扩展目标点云聚合算法

低成本毫米波雷达的天线数目少、天线孔径小、雷达功率低等自身因素限制了雷达的DOA估计。较低的角度分辨率导致难以区分位置相近的扩展目标，从而导致多目标跟踪的误判。针对上述问题，提出一种扩展目标点云聚合算法，首先对多个毫米波雷达所探测到的点云进行融合和叠帧处理；其次通过最小二乘法曲线拟合，构建EKF的加速度模型，在预测值处自适应生成波门，得到假设目标关联位置，将此位置与预测值作加权修正处理后聚合点云。文中设计了基于低成本毫米波雷达的室内多目标跟踪对比实验，通过完备度和位置误差指标加以验证。实验结果表明，该算法有效弥补了低成本毫米波雷达角度分辨差以及扩展目标点云辨识度低的缺陷，大幅提升了扩展目标点云的辨识度及跟踪的精确度，对提升低成本毫米波雷达跟踪性能具有重要意义。     

道路场景下毫米波雷达点云聚类处理算法

毫米波雷达具有体积小、分辨率高,可在风、雨、雾等恶劣条件下工作的优点,但由于场景的复杂性在实际工作中会出现点云过分割、虚警等问题。因此,本文提出一种基于马氏距离与欧氏距离结合的自适应DBSCAN聚类算法,依据点云的距离选取相似度度量方法,在密度较大处选择马氏距离,在密度较小处选择欧氏距离,依据“属于同一目标点云,位置、速度、强度接近”这一规律进行筛选。聚类完成后,采用非参数核密度估计算法获取点簇内点云密度,根据点云分布特点估计目标位置,并依据最小二乘法完成多普勒速度分解,估计目标横纵向速度。最后,通过实际道路场景(隧道、公路)测试数据对本文算法的可靠性与稳定性进行验证。     

交通监测毫米波雷达数据预处理方法研究

毫米波雷达交通监测场景中待检测目标较多、各目标间点迹特征接近,导致点迹凝聚精度低,对此, 文中提出一种改进的交通监测毫米波雷达数据预处理方法。首先通过短时多帧数据积累提高车辆目标点迹密度, 随后利用加权欧式距离度量点间距离以提高密集间隔目标的类间距离,并对点间距离分布进行曲线拟合实现聚类 算法参数的自适应求解,最后利用基于密度的噪声空间聚类(DBSCAN)算法对点迹进行凝聚处理。由雷达实测数据 进行实验验证,相较于传统方法,原始点迹数据经凝聚后跟踪得到车流量统计精度提高10. 97%,结果表明所提方法 能够对车辆点迹信息进行较为精确的凝聚,改善了毫米波雷达在交通监测领域的应用效果。     

基于点云实例分割的鲁棒多目标位姿估计

针对多目标位姿估计过程中点云局部特征存在类间错误匹配的问题，提出了基于点云实例分割的鲁棒多目标位姿估计算法。首先，基于密度聚类对场景点云进行分割得到点云簇，并用快速点特征直方图（FPFH）描述子对分割后的点云簇进行局部特征提取；然后利用随机森林算法对聚合后的点云簇的局部特征进行分类，完成点云实例分割；之后对于场景中每一个分割后的实例，采用近似近邻快速库（FLANN）匹配算法对场景实例和模型进行特征匹配，得到实例分割后的点在对应类别模型上的匹配点，利用随机采样一致（RANSAC）算法以及最小二乘算法计算初始位姿；最后经过点到平面迭代闭合点（ICP）算法得到每个实例的精确位姿。在CV-Lab 3D合成数据集以及UWA真实采集数据集下的实验结果表明，相比直接匹配模型和全部场景点的局部特征进行多目标位姿估计，所提算法能够有效提升局部特征匹配阶段的内点概率，从而提升复杂场景下位姿估计的鲁棒性和准确率，尤其适用于场景中具有多个实例的位姿估计应用。     

毫米波FMCW MIMO雷达三维点云成像方法

毫米波FMCW MIMO雷达的三维点云成像在自动驾驶、智慧交通、工业和安防等领域的三维环境感知因其独特的优势而受到广泛关注。本文在现有处理框架下提出一种结合渐近最小方差稀疏迭代（SAMV）的高分辨点云成像方法。该方法首先对差拍信号做一维快速傅里叶变换（FFT）获得高分辨距离像,然后对每一个距离单元采用SAMV算法来估计方位角网格和俯仰角网格的功率,最后结合CASO-CFAR检测算法,得到探测区域内目标高分辨的距离、方位角和俯仰角三维信息。仿真和实验结果表明,相比现有结合Capon测角的方法,该方法能在相同雷达条件下角分辨率提高2倍,实现了毫米波雷达高分辨的三维成像。     

增量式SFM中特征点检测与匹配方法的改进

图像特征点的提取与匹配是增量式SFM重建系统中至关重要的一步。为了提高匹配的准确率以及有效匹配点对的数量,提出了一种改进方法:首先在多尺度空间中利用自适应阈值的FAST角点检测算法获取特征点;然后计算特征点与其多个环形邻域之间的灰度对比信息,再与采样区域的局部梯度信息融合得到特征点描述子;接着利用曼哈顿距离与切比雪夫距离的线性组合代替欧氏距离完成特征点的稀疏匹配;最后利用稀疏匹配结果作为种子点对进行同步生长,在多约束条件下得到最终的稠密匹配结果。在Oxford数据集上的实验证明了改进的稀疏匹配算法的准确率与有效匹配点对数量都高于SIFT算法,在增量式SFM系统中的实验证明了稀疏匹配与稠密匹配的组合算法可以获得更好的重建效果。     

基于激光雷达与红外图像融合的车辆目标识别算法

为了提高车辆目标在不同测试条件下的识别效率,降低系统的漏检率和误检率,提出了一种基于激光雷达与红外图像融合的车辆目标识别算法。该算法利用目标原点矩参量表征目标的红外特征,用匹配相似度表征目标的点云特征,再经过轴系对齐和尺度变换实现图像融合。实验采用激光雷达与红外同轴光路获取的两类数据进行图像融合,再利用目标匹配阈值进行迭代筛选,最终识别车辆目标。对比了1帧、20帧和40帧图像中具有不同属性的车辆目标识别效果,结果显示,本算法输出的目标识别区域正确适当。在1000帧图像的多种测试条件的实验中,本算法的漏检率均小于100,误检率均小于50,明显优于传统的距离向数据分类法和光谱分类法,验证了其具有较好的鲁棒性。     

特征自适应融合插值的点云语义分割算法

点云语义分割是场景理解的基础问题。大多数针对大场景点云的语义分割方法精心设计局部特征聚合模块以减少降采样点云过程中的信息损失，然而未能高效地利用多尺度局部特征推理点云语义信息。为此，文中提出一种多尺度特征自适应融合的插值方法，以实现更准确的大场景点云语义分割算法。首先，通过注意力机制的局部特征聚合模块学习点云内部的语义关系，描述局部模式的各项异性；然后，以不同的采样率随机地采样点云产生多尺度的稀疏局部特征图；最后，使用特征自适应融合的插值法代替广泛使用的最近邻插值法，恢复全分辨率的特征图，为原始密度的点云提供更准确的语义信息。在SemanticKITTI和S3DIS两个大场景点云数据集上对所提算法进行评估，结果表明，所提算法的平均交并比（mIoU）分别为54.24%、75.5%，平均准确率（mACC）分别达到88.92%、86.5%，比大多数主流算法的分割效果更加准确。     

TOF点云强度特征匹配迭代最近点配准算法

针对时间飞行(TOF)获取的三维点云数据噪声点多、有效目标在点云中所占比例较小的问题,提出一种适用于TOF点云数据的基于强度特征匹配的迭代最近点配准算法。首先使用强度特征进行有效区域提取,然后对有效区域进行配准,最后使用有效区域的变化矩阵对整个点云数据进行配准。实验结果表明,该方法能在不影响配准速度的情况下,有效提高真实点云配准的精确度。     

基于置信度的飞行时间点云去噪方法

飞行时间（Time-of-Flight,ToF）三维成像方法由于多路径干扰和混合像素等问题降低了目标物体深度测量的精度。传统的方法通过优化重构异常点云数据或滤除噪声点云数据来提高目标的准确性,但是这些方法复杂度高且容易导致过度平滑。三维点云图像中的有效点云与噪声点云之间的关系很难用数学模型来表示。针对上述问题,本文提出了一种基于置信度的飞行时间点云去噪方法。首先,分析多帧点云数据的概率相关性,以点云数据的置信度作为判别有效点云与噪声点云的依据;其次,利用多帧点云之间的矢量对偶性,提出了一种快速提取不同置信度点云的算法,其时间复杂度为O(L);最后使用该算法提取多帧三维图像中置信度高的点云数据获得目标物体的真实测量数据,并重点对4组不同场景的点云数据进行对比实验。实验结果表明,该算法能够在有效滤除噪声的同时,显著提高目标物体的距离测量精度,增强目标物体的特征,因此具有广泛的应用价值。     

自适应局部邻域特征点提取和匹配的点云配准

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题,提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系,自适应地提取特征点;其次利用快速点特征直方图（FPFH）综合描述每个特征点的局部信息,结合随机抽样一致性（RANSAC）算法实现粗配准;最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验,实验结果表明:所提出的特征点提取算法能高效地提取点云的特征;相比于其他特征点检测方法,所提方法在粗配准中的配准精度和配准速度更高,且抗噪性能更好;与ICP算法相比,基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍,在含噪声的点云中,能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。     

基于相频空间稀疏性快速估计LED灯点参数

在LED照明应用中,为了能够获得、记录或重现特定的照明模式,要求检测装置可以测量出每个LED灯点照明空间中某一位置时的独立"贡献量",这可以归结为对驱动LED工作的脉宽调制波形(PWM)的参数(振幅、频率偏移量、相位延迟)估计问题。为了达到参数估计的目的,首先将频率偏移空间和相位延迟空间离散化成二维网状格点,然后根据检测装置测量得到的数据在格点空间具有稀疏性的特点建立稀疏模型。接着,采用正交匹配追踪算法(OMP),用很少的采样点快速有效地重建未知参数。最后,为了有效抑制估计误差,本文使用了一种逐级迭代细分网格的技术作为前面稀疏模型的补充。实验结果表明,本文方法仅使用相当于奈奎斯特采样定理要求的27.5%的少量采样点就完成了快速估计的任务,同时,不同噪声条件下的对比试验说明算法在信噪比大于20dB时鲁棒性较好。     

基于稀疏阵列的米波TR MIMO雷达低空目标测高方法

基于时间反转（Time Reversal, TR）技术的米波多输入多输出（Multiple Input Multiple Output, MIMO）雷达能够有效利用反射波能量,较大地提升信噪比,但由于多径效应的存在,其采用均匀线阵信号模型时仍面临超低空目标测高精度下降以及测高误差随俯仰角变化起伏剧烈的问题。本文以降低多径效应的影响为目的,从阵列结构和算法实现两个方面出发,将稀疏阵列应用于米波TR MIMO雷达的低空目标测高。首先,本文建立了基于稀疏阵列的单基地米波TR MIMO雷达镜面反射信号模型,然后结合广义多重信号分类算法和最大似然算法,提出了适用于该模型的低空目标测高方法。最后,仿真实验表明,本文所提出的基于稀疏阵列的米波TR MIMO雷达低空目标测高方法具有更显著的结构优越性和更优的低空目标测高性能。     

基于改进欧式聚类算法的双目主动视觉点云目标检测研究

双目视觉立体匹配时,在同色调表面因为缺乏纹理信息,不仅计算量大且匹配度低, 而且生成的 场景中的点云又具有非结构化、近密远疏的性质, 因此,提高双目视觉匹配的精度与速度, 以及准确分割点 云目标, 一直是点云获取及目标检测中的难点问题。 针对以上问题, 本文首先提出了一种融合主动激光 的 3D 点云目标采集方法, 快速准确地获得原始点云数据; 其次提出了一种基于欧式聚类的改进算法, 使用距离阈值和角度阈值作为阈值分割判断条件进行分段聚类, 得到边界明确的 3D 点云目标检测框。 实验结果表明:所设计的 3D 点云成像系统能够有效获取前方物体的 3D 点云信息,且具有比激光雷达成 本低、易实现、信息丰富等优势;改进后的欧式聚类算法能有效改善传统算法对阈值较为敏感导致的物 体易出现欠分割或过分割的问题, 提高了目标检测的准确率, 在室内场景下具有良好的检测效果。     

基于单位四元数法的激光点云拼接算法研究

在实际生产应用中经常需要对激光器多次测量所得点云进行点云拼接,为解决激光点云的精确拼接问题,提出了一种基于单位四元数的点云拼接算法,通过计算点云重心点所在曲面的曲率特征点,经过多次迭代寻找最近点,求出点云平移与旋转矩阵的最优解,进而完成点云的自动精确拼接。