申请/专利权人：南京邮电大学

申请日：2023-11-02

公开（公告）日：2024-04-02

公开（公告）号：CN117808689A

主分类号：G06T5/50

分类号：G06T5/50;G06T5/60;G06T3/4038;G06T7/521;G06T7/55;G06N3/0464;G06N3/0455;G06N3/09;G06N3/098;G06V10/26;G06V20/70;G06V10/30;G06V10/44;G06V10/52;G06V10/764;G06V10/766;G06V10/82;G01S13/86

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：基于毫米波雷达与摄像头融合的深度补全方法，利用多模态融合与监督的方法，预处理毫米波雷达点云与摄像头图像数据，在训练中将毫米波雷达点云和摄像头图像作为神经网络的输入，累积多帧毫米波雷达点云并投影至图像上，同步毫米波雷达点云与图像数据，累积多帧激光雷达并执行光流估计与语义分割以去除噪音作为神经网络深度补全的标签监督。经过训练后的系统，只需要使用毫米波雷达点云与摄像头图像作为输入就可以实现对真实场景的深度补全的深度输出。通过上述方式，本方法能够实现在降低经济与计算成本且不考虑光照、恶劣天气条件等情况下提升对深度图的准确度，具有鲁棒性强，稳定性、实时性、高效性的特点。

主权项：1.基于毫米波雷达与摄像头融合的深度补全方法，其特征在于：方法包括如下步骤：步骤1，对毫米波雷达系统初始化，配置信息采样的参数，包括收发天线对、采样点数、采样时间，同时利用摄像头拍摄下同一帧真实场景，利用激光雷达采集场景点云数据；步骤2，对获得的图像信息进行预处理；对于图像信息，将RGB图像进行裁剪与下采样处理，对相邻图像帧计算光流、计算相机的内参矩阵和图像转换矩阵，并将图像流转换为正则归一化表示；计算场景目标语义分割特征；步骤3，对获得的雷达数据进行预处理；对于毫米波雷达，累积多帧毫米波雷达以增强点云密度，提取毫米波雷达所包含的距离、方位角、多普勒等感知信息，计算毫米波雷达累积点云；对于激光雷达，累积多帧激光雷达以增强点云密度，同时借助图像光流与语义分割去除遮挡点云像素，计算密集点云标签，以监督毫米波雷达与相机融合的深度预测；步骤4，将图像与毫米波雷达点云输入至CNN网络中进行训练，学习区域关联；在彩色图像中被投影的每个毫米波雷达像素周围的邻域上建模，定义一个区域，并在预定的阈值内，将该区域中的每个像素分类为具有与毫米波雷达像素相同的深度或不具有相同的深度，实现特征提取，计算毫米波雷达-相机关联区域；为了获得增强的毫米波雷达像素深度关联信息，需要累积多帧激光雷达生成密集深度图标签，通过计算毫米波雷达像素与激光雷达像素之间的差异，训练出与图像像素关联的增强毫米波深度点云；步骤5，利用跨模态学习和监督学习的方法，将不同模态的图像信息、毫米波雷达点云、激光雷达点云进行交互；累积多帧激光雷达且进行去噪，得到密集的深度图标签；将关键帧图像和增强的多帧毫米波雷达点云作为深度预测训练网络的输入，通过CNN中不同的卷积层，学习邻域的亲和力，提取出图像与毫米波雷达点云在空间与时间等不同维度上的深度特征，学习毫米波雷达返回到像素的映射能力；通过跨监督学习的方式，计算毫米波雷达点云与图像融合后预测的像素级别的深度回归值；步骤6，训练完成后的系统仅需毫米波雷达和相机实现对真实场景进行深度补全，无需激光雷达辅助。

全文数据：

权利要求：

百度查询： 南京邮电大学 基于毫米波雷达与摄像头融合的深度补全方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD