适用于4D毫米波雷达的目标矩形框聚类

2023-11-12 01:45

本文主要是介绍适用于4D毫米波雷达的目标矩形框聚类,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

一、前言

二、点云聚类分割

三、基于方位搜索L型拟合

四、评价准则之面积最小化

五、评价准则之贴合最大化

六、评价准则之方差最小化


 

3da15d2e63e047c9a39ad39831be0075.png

一、前言

对于多线束雷达可以获取目标物体更全面的面貌,在道路中前向或角雷达可能无法获取目标车矩形框但可以扫到两边或者一边,在做目标方向估计时这些信息至关重要。看到一篇文章不错的思路,拿来记录借鉴下。

整体算法:
Step1: 将距离点按照预先设定的距离阈值进行聚类划分簇
Step2:基于方位搜索+特定准则进行L型拟合,得出4边参数
2.1 矩形面积最小化
2.2 点到边靠近最大化
2.3 点到边方差最小化

二、点云聚类分割

对于所有点,在距离r一点内找到它的相邻点,将相邻点设置为未检测,对未检测点继续找到距离r内的任何一个点,把邻近点放在这个簇中直到集群不再增长。

afe7f40da3d2461b9b171fd9a93dd7cd.png

def _adoptive_range_segmentation(self, ox, oy):# Setup initial clustersegment_list = []for i, _ in enumerate(ox):c = set()r = self.R0 + self.Rd * np.linalg.norm([ox[i], oy[i]])for j, _ in enumerate(ox):d = np.hypot(ox[i] - ox[j], oy[i] - oy[j])if d <= r:c.add(j)segment_list.append(c)# Merge clusterwhile True:no_change = Truefor (c1, c2) in list(itertools.permutations(range(len(segment_list)), 2)):if segment_list[c1] & segment_list[c2]:segment_list[c1] = (segment_list[c1] | segment_list.pop(c2))no_change = Falsebreakif no_change:breakreturn segment_list

 

三、基于方位搜索L型拟合

80db7156348e427c8728232643489652.png

dec3357dea4545cc8dba368502134009.png

step2:基于方位搜索的L 型拟合

遍历矩形的所有可能方向;在每次迭代中,可以找到一个该方向并包含所有扫描点的矩形;进一步可以得到所有点到矩形四条边的距离,并根据这些距离将点分为P和Q,并计算相应的平方误差作为(1)中的目标函数;在迭代所有方向并获得所有相应的平方误差后,寻找实现最小平方误差的最优方向,并根据该方向拟合矩形

22c4e7b4cc9e40dcacb79cd1621fee38.png

def _rectangle_search(self, x, y):xy = np.array([x, y]).Td_theta = np.deg2rad(self.d_theta_deg_for_search)min_cost = (-float('inf'), None)for theta in np.arange(0.0, np.pi / 2.0 - d_theta, d_theta):c = xy @ rot_mat_2d(theta)c1 = c[:, 0]c2 = c[:, 1]# Select criteriacost = 0.0if self.criteria == self.Criteria.AREA:cost = self._calc_area_criterion(c1, c2)elif self.criteria == self.Criteria.CLOSENESS:cost = self._calc_closeness_criterion(c1, c2)elif self.criteria == self.Criteria.VARIANCE:cost = self._calc_variance_criterion(c1, c2)if min_cost[0] < cost:min_cost = (cost, theta)# calc best rectanglesin_s = np.sin(min_cost[1])cos_s = np.cos(min_cost[1])c1_s = xy @ np.array([cos_s, sin_s]).Tc2_s = xy @ np.array([-sin_s, cos_s]).Trect = RectangleData()rect.a[0] = cos_srect.b[0] = sin_srect.c[0] = min(c1_s)rect.a[1] = -sin_srect.b[1] = cos_srect.c[1] = min(c2_s)rect.a[2] = cos_srect.b[2] = sin_srect.c[2] = max(c1_s)rect.a[3] = -sin_srect.b[3] = cos_srect.c[3] = max(c2_s)return rect

 

四、评价准则之面积最小化

a1cfde486c4943778a0e82a655695eb8.png

def _calc_area_criterion(c1, c2):c1_max, c1_min, c2_max, c2_min = LShapeFitting._find_min_max(c1, c2)alpha = -(c1_max - c1_min) * (c2_max - c2_min)return alpha

 

五、评价准则之贴合最大化

f211f7c1262c4bf58064bb454ff0e3c4.png

def _calc_closeness_criterion(self, c1, c2):c1_max, c1_min, c2_max, c2_min = LShapeFitting._find_min_max(c1, c2)# Vectorizationd1 = np.minimum(c1_max - c1, c1 - c1_min)d2 = np.minimum(c2_max - c2, c2 - c2_min)d = np.maximum(np.minimum(d1, d2), self.min_dist_of_closeness_criteria)beta = (1.0 / d).sum()return beta

六、评价准则之方差最小化

0d70e1efa8b144a7b8e136647ddb8ed3.png

def _calc_variance_criterion(c1, c2):c1_max, c1_min, c2_max, c2_min = LShapeFitting._find_min_max(c1, c2)# Vectorizationd1 = np.minimum(c1_max - c1, c1 - c1_min)d2 = np.minimum(c2_max - c2, c2 - c2_min)e1 = d1[d1 < d2]e2 = d2[d1 >= d2]v1 = - np.var(e1) if len(e1) > 0 else 0.v2 = - np.var(e2) if len(e2) > 0 else 0.gamma = v1 + v2return gamma

 

Result:

1fb1bca4ecd647febd4ef8a1b9b25d69.png

 

 

 

参考:《Efficient L-Shape Fitting for Vehicle Detection Using Laser Scanners》

 

 

 

 

这篇关于适用于4D毫米波雷达的目标矩形框聚类的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/394240

相关文章

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering)

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering) Power Iteration Clustering (PIC) 是一种基于图的聚类算法,用于在大规模数据集上进行高效的社区检测。PIC 算法的核心思想是通过迭代图的幂运算来发现数据中的潜在簇。该算法适用于处理大规模图数据,特别是在社交网络分析、推荐系统和生物信息学等领域具有广泛应用。Spa

[数据集][目标检测]血细胞检测数据集VOC+YOLO格式2757张4类别

数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):2757 标注数量(xml文件个数):2757 标注数量(txt文件个数):2757 标注类别数:4 标注类别名称:["Platelets","RBC","WBC","sickle cell"] 每个类别标注的框数:

用Pytho解决分类问题_DBSCAN聚类算法模板

一:DBSCAN聚类算法的介绍 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种基于密度的聚类算法,DBSCAN算法的核心思想是将具有足够高密度的区域划分为簇,并能够在具有噪声的空间数据库中发现任意形状的簇。 DBSCAN算法的主要特点包括: 1. 基于密度的聚类:DBSCAN算法通过识别被低密

YOLOv8/v10+DeepSORT多目标车辆跟踪(车辆检测/跟踪/车辆计数/测速/禁停区域/绘制进出线/绘制禁停区域/车道车辆统计)

01:YOLOv8 + DeepSort 车辆跟踪 该项目利用YOLOv8作为目标检测模型,DeepSort用于多目标跟踪。YOLOv8负责从视频帧中检测出车辆的位置,而DeepSort则负责关联这些检测结果,从而实现车辆的持续跟踪。这种组合使得系统能够在视频流中准确地识别并跟随特定车辆。 02:YOLOv8 + DeepSort 车辆跟踪 + 任意绘制进出线 在此基础上增加了用户

[数据集][目标检测]智慧农业草莓叶子病虫害检测数据集VOC+YOLO格式4040张9类别

数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):4040 标注数量(xml文件个数):4040 标注数量(txt文件个数):4040 标注类别数:9 标注类别名称:["acalcerosis","fertilizer","flower","fruit","grey

Spark2.x 入门: KMeans 聚类算法

一 KMeans简介 KMeans 是一个迭代求解的聚类算法,其属于 划分(Partitioning) 型的聚类方法,即首先创建K个划分,然后迭代地将样本从一个划分转移到另一个划分来改善最终聚类的质量。 ML包下的KMeans方法位于org.apache.spark.ml.clustering包下,其过程大致如下: 1.根据给定的k值,选取k个样本点作为初始划分中心;2.计算所有样本点到每

目标检测-RT-DETR

RT-DETR (Real-Time Detection Transformer) 是一种结合了 Transformer 和实时目标检测的创新模型架构。它旨在解决现有目标检测模型在速度和精度之间的权衡问题,通过引入高效的 Transformer 模块和优化的检测头,提升了模型的实时性和准确性。RT-DETR 可以直接用于端到端目标检测,省去了锚框设计,并且在推理阶段具有较高的速度。 RT-DET

Xiaojie雷达之路---雷达间干扰(二)置零法对干扰抑制

Hello,大家好,我是Xiaojie,欢迎大家能够和Xiaojie来一起学习毫米波雷达知识,本篇文章主要是介绍一下时域置零对雷达间干扰抑制的效果,一起来看看吧!!! 文章目录 前言正文原理性介绍代码 前言 在上一篇文章中介绍了BPM对雷达间干扰抑制的方法,而本篇文章是采用时域置零的方法进行雷达间干扰抑制 效果图: 视频如下: 雷达间干扰 正文