针对毫米波雷达数据均匀性差,数据量小,噪点多等问题,提出一种基于DBSCAN(density-based spatial clustering of applications with noise)的雷达自适应聚类算法。改进算法能够根据K近邻距离和目标反射截面自适应调整聚类半径。首先给...针对毫米波雷达数据均匀性差,数据量小,噪点多等问题,提出一种基于DBSCAN(density-based spatial clustering of applications with noise)的雷达自适应聚类算法。改进算法能够根据K近邻距离和目标反射截面自适应调整聚类半径。首先给出一种聚类半径根据K近邻距离动态调整的机制:目标第K个近邻的距离与阈值相比较,以确定阈值半径取值。再提取雷达提供的目标反射截面,基于该值计算目标假象半径作为聚类半径的补充量。实现根据目标反射截面与数据稀疏程度自适应聚类的效果。将改进算法与不同参数的DBSCAN聚类算法在真实雷达点云数据进行实验对比。相较于选取合适参数的DBSCAN算法,改进算法能够更好适应毫米波雷达点云特征,对行人目标识别准确率提高4.18%,对车辆目标识别准确率提高5.63%。展开更多
文摘为实现基于计算机视觉的自动驾驶和高级辅助驾驶,需要对车辆前方的可行驶区域进行实时检测。可行驶区域的检测是图像分割问题,而目前主流的基于深度学习模型的Scene Parse方案,在实际应用中不能满足实时性要求。为此,构建一个超像素Appearance与3D特征融合的检测框架,实现从粗分割到细分割的两步分割流程。其中粗分割是基于RANSAC的快速平面估计,细分割则是基于粗分割路面估计概率的条件随机场模型,采用超像素进行加速。实验结果表明,该框架在Cityscape数据集上精确度和召回率超过90%,性能与SegNet,FCN 16 Scene Parsing相当,可满足X86平台和ARM平台的实时应用要求。
文摘针对毫米波雷达数据均匀性差,数据量小,噪点多等问题,提出一种基于DBSCAN(density-based spatial clustering of applications with noise)的雷达自适应聚类算法。改进算法能够根据K近邻距离和目标反射截面自适应调整聚类半径。首先给出一种聚类半径根据K近邻距离动态调整的机制:目标第K个近邻的距离与阈值相比较,以确定阈值半径取值。再提取雷达提供的目标反射截面,基于该值计算目标假象半径作为聚类半径的补充量。实现根据目标反射截面与数据稀疏程度自适应聚类的效果。将改进算法与不同参数的DBSCAN聚类算法在真实雷达点云数据进行实验对比。相较于选取合适参数的DBSCAN算法,改进算法能够更好适应毫米波雷达点云特征,对行人目标识别准确率提高4.18%,对车辆目标识别准确率提高5.63%。
