CN113902937B 针对tof点云的自适应目标检测方法及系统 （中国科学院国家空间科学中心）

号US2017249401A1,2017.08.31一种针对TOF点云的自适应目标检测方法，所述方法包括：接收TOF相机采集的待检测目标的TOF点云数据；对TOF点云数据依次使用DB-SCAN算法和二分迭代的k-means算法，得到初步深度信息采用k-means算法，得到待检测目标分合模型对深度范围内初步去噪后的点云数据进检测目标的点云数据分别输入预先建立和训练2对TOF点云数据依次使用DB-SCAN算法和二分迭代的k-means算法，得到初步去噪后的对初步去噪后的点云数据的深度信息采用k-means算法，得到待检测目标分布的深度采用预先建立和训练好的高斯混合模型对深度范围内初步去噪后的点云数据进行聚将去噪后每个待检测目标的点云数据分别输入预先建3.根据权利要求1所述的针对TOF点云4.根据权利要求1所述的针对TOF点云的自适应目标检测方根据预先设定的分类数k，对降维后的点云数据进行一次k-me5.根据权利要求1所述的针对TOF点云的自6.根据权利要求1所述的针对TOF点云的自适应目标通过写入操作，将待检测目标的TOF点云数据按照时序存储至阻塞队列，通过读取操3所述接收并发消费模块，用于接收TOF相机采集的待检测目标的TOF点云数据所述初步去噪单元，用于对TOF点云数据依次使用DB-SCAN算法和二分迭代的k-means所述高斯混合模型，用于对深度范围内初步去噪后的点云数据进行聚类所述去噪单元，用于使用迭代双边滤波算法，对每个待检测目标的所述目标检测模型，用于根据去噪后每个待检测目标的点云数据，8.根据权利要求7所述的针对TOF点云的4[0006]现有技术的滤波算法对TOF相机直接采集的点云数据过于依赖人工的主观参数设[0009]对TOF点云数据依次使用DB-SCAN算法和二分迭代的k-means算法，得到初步去噪[0010]对初步去噪后的点云数据的深度信息采用k-means算法，得到待检测目标分布的[0011]采用预先建立和训练好的高斯混合模型对深度范围内初步去噪后的点云数据进[0013]将去噪后每个待检测目标的点云数据分别输入预先建立和训练好的目标检测模5[0015]作为上述方法的一种改进，对消除离群点后的点云数据采用二分迭代的k-means分别写入对应的阻塞队列，还用于从各阻塞队列读取TOF点云数据输入点云数据处理识别[0029]所述初步去噪单元，用于对TOF点云数据依次使用DB-SCAN算法和二分迭代的k-[0030]所述深度范围获取单元，用于对初步去噪后的点云数据的深度信息采用k-means6[0041]本发明公开了一种针对TOF点云的自适应目标检测方法及系统，整体上分为算法部分和架构设计部分。算法部分结合机器学习与传统滤波算法，使用DB-SCAN，PCA，K-means，GMM，双边滤波以及对应的改进算法实现对原始点云的去噪与检测，最后通过7[0050](6)构建并训练PointNet深度网络模型，将上述结果目标分别输入至模型内进行于直接对数据进行8/16等分或者对数据进行k＝8/16的一次性聚类，本发明所使用的方法每个簇服从高斯分布，以一定概率从K个簇中随机抽取一个簇，从其分布中随机采样样本8[0060]步骤(6)使用训练好的PointNet神经网络对提取出的各个目标进行类别检测，这[0064]1.前文有提到过TOF易受多路9阻塞队列实现均应属于权利要求范围，包括现有的消息队列中间件以及自主编码实现的，分别写入对应的阻塞队列，还用于从各阻塞队列读取TOF点云数据输入点云数据处理识别[0086]所述初步去噪单元，用于对TOF点云数据依次使用DB-SCAN算法和二分迭代的k-[0087]所述深度范