CN113917454A - 一种无人艇水面目标融合检测方法及系统 - Google Patents

Abstract

本发明涉及一种无人艇水面目标融合检测方法及系统，涉及环境感知技术领域，该方法包括：分别对获取的激光雷达点云检测数据和获取的海事雷达点云检测数据进行处理，得到激光雷达点云簇和海事雷达点云簇；分别对激光雷达点云簇和海事雷达点云簇进行目标拟合处理，得到激光雷达对应的水面目标信息和海事雷达对应的水面目标信息；对激光雷达对应的水面目标信息和海事雷达对应的水面目标信息进行加权融合处理，确定最终的水面目标信息。本发明将激光雷达和海事雷达采集的数据结合起来，使得无人艇水面目标检测的效果更加准确，检测范围更为广阔。

Description

一种无人艇水面目标融合检测方法及系统

技术领域

本发明涉及环境感知技术领域，特别是涉及一种无人艇水面目标融合检测方法及系统。

背景技术

水面无人艇(unmanned surface vehicle，USV)，又称无人艇，不仅能够实现自主导航，还可以实时感知周围的环境信息，检测出威胁周围水面的障碍物并进行避障。

无人艇若在多变的、复杂的水面情况下安全自主地完成各项任务，则必须具备良好的环境感知能力。在实际使用的过程中，无人艇对于其所处周边环境的准确感知一直是一个难点。目前无人艇大多数采用激光雷达扫描水面方式或者视觉检测方式来获取环境感知信息，进而完成无人艇对水面环境的感知。但是这两种传感器的探测距离有限，除此之外在检测效果上，视觉检测方法在行进间使用时，检测精度很低，误差很大；视觉检测方法在进行图像分割时常常会受到海面波浪的影响，即分离小型移动船体和静止物体效果也很差。

发明内容

本发明的目的是提供一种无人艇水面目标融合检测方法及系统，使得无人艇水面环境感知的效果更为准确，感知范围更为广阔。

为实现上述目的，本发明提供了如下方案：

一种无人艇水面目标融合检测方法，包括：

获取激光雷达点云检测数据和海事雷达点云检测数据；

分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行处理，得到激光雷达点云簇和海事雷达点云簇；

分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息；

对所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息进行加权融合处理，确定最终的水面目标信息。

可选的，所述分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行处理，得到激光雷达点云簇和海事雷达点云簇，具体包括：

分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行预处理；

分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

可选的，所述分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行预处理，具体包括：

对所述激光雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理；

对所述海事雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理。

可选的，所述分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇，具体包括：

采用基于欧氏距离的聚类分割算法，分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

可选的，所述分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息，具体包括：

采用基于PCA的BoundingBox拟合算法，分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息；

分别对所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息进行目标筛选，得到最终的所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息。

一种无人艇水面目标融合检测系统，包括：

数据获取模块，用于获取激光雷达点云检测数据和海事雷达点云检测数据；

数据处理模块，用于分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行处理，得到激光雷达点云簇和海事雷达点云簇；

目标拟合模块，用于分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息；

水面目标信息确定模块，用于对所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息进行加权融合处理，确定最终的水面目标信息。

可选的，所述数据处理模块，具体包括：

预处理单元，用于分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行预处理；

点云聚类单元，用于分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

可选的，所述预处理单元，具体包括：

第一预处理单元，用于对所述激光雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理；

第二预处理单元，用于对所述海事雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理。

可选的，所述点云聚类单元，进一步用于：

采用基于欧氏距离的聚类分割算法，分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

可选的，所述目标拟合模块，具体包括：

目标拟合单元，用于采用基于PCA的BoundingBox拟合算法，分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息；

目标筛选单元，用于分别对所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息进行目标筛选，得到最终的所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明所提出的基于激光雷达和海事雷达的无人艇水面目标融合检测方法及系统，是将两种传感器采集的数据结合起来，取长补短，尤其是在两种探测距离相交的范围内，通过加权融合的方式，使得无人艇水面目标检测的效果更加准确，检测范围更为广阔。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于激光雷达和海事雷达的无人艇水面目标融合检测方法的整体流程图；

图2为本发明无人艇水面目标融合检测方法的流程示意图；

图3为本发明无人艇水面目标融合检测系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

激光雷达作为一种主动式传感器，有一些优良的性质，可以接近于全天候情况使用，检测效果也相对稳定，因此在短距离检测手段上，激光雷达无疑是一种较好的选择。

无人艇所使用的海事雷达，可以对很远距离的水面进行检测，但是海事雷达通常受限于其固有特性，对于近距离的目标，尤其是靠近船只100m内的水面环境检测效果很差，并且海事雷达检测的精度也远远低于激光雷达与摄像头。

基于此，本发明所提出的基于激光雷达和海事雷达的无人艇水面目标融合检测方法，将两种传感器结合起来，取长补短，尤其是在两种探测距离相交的范围内，通过加权融合的方式，使得无人艇水面目标检测的效果更加准确，检测范围更为广阔。

如图1所示，本实施例提供的无人艇水面目标融合检测方法，包括以下步骤：

步骤(1)：通过激光雷达与海事雷达分别获取第k帧水上环境的点云检测数据。

步骤(2)：对步骤(1)中所获取的点云检测数据分别进行预处理，具体包括：

(2.1)对点云检测数据进行矫正；(2.2)对点云检测数据进行压缩；(2.3)对点云检测数据进行匹配；(2.4)水平面移除；(2.5)对点云检测数据进行滤波。

步骤(3)：对步骤(2)所得到的预处理后的点云检测数据进行点云聚类，形成点云簇。

步骤(4)：对步骤(3)所获取的点云簇进行拟合，得到初始水面目标信息，并对初始水面目标信息进行筛选，剔除干扰目标。

步骤(5)：通过融合算法，对海事雷达与激光雷达得到的水面目标分配以不同的权重，并进行融合计算，得到最终的第k帧水面目标信息。

进一步地，在进行第k帧水上环境检测时，应保留好第k-1时刻水面目标信息，以用作后续点云匹配。

所述步骤(1)中用的激光雷达有效探测范围在1m～200m，海事雷达有效探测范围在50m～20000m。

所述步骤(2.1)中的点云矫正，具体为：利用IMU的姿态和速度信息，计算第k帧时刻无人艇船体姿态到水平姿态的旋转变换矩阵，利用旋转变换矩阵对点云进行姿态校准和运动补偿。

进一步的详细过程为：首先获取第k时刻，无人艇上IMU传感器输出的横滚信息、俯仰信息、偏航信息，同时获取x、y、z三轴速度信息；其次计算出第k帧数据获取起始至结束的总时长，最终得到第k帧时刻无人艇在水面上的姿态变化以及空间位置变化；然后利用Eigen库可以快速准确的计算出第k帧时刻下的空间平移-旋转变化矩阵，并作为修正量，对第k帧的每一个数据点进行矫正，去除无人艇自身运动引起的点云检测数据畸变，提高点云检测数据的准确性、可靠性。

所述步骤(2.2)中的点云压缩，具体为：采用降采样滤波的方式对点云数据进行压缩。

进一步的详细过程为：首先通过降采样滤波的方式，在点云中创建三维体素栅格，并根据经验值设置体素栅格大小；然后用每个体素的重心来近似表达体素中的其它点，降低数据量的同时尽可能地保留点云特征，在该方法中，压缩率被设置为10％。

所述步骤(2.3)中的点云匹配，可以使得不同视角下的点云检测数据在统一视角下进行处理，具体为：采用NDT及其变种的方式，将第k帧点云与第k-1帧点云进行匹配。

进一步的详细过程为：通过NDT匹配的方式，先根据参考数据来构建多维变量的正态分布，如果变换参数能使得两幅激光数据匹配的很好，那么变换点在参考系中的概率密度将会很大；用优化的方法求出使得概率密度之和最大的变换参数，此时两幅激光点云检测数据将匹配的最好。

所述步骤(2.4)中的水平面移除，具体为：采用随机抽样一致性算法(Randomsample consensus，RANSAC)拟合出水平面，并将水平面点剔除，即采用基于RANSAC的平面拟合方法，拟合出水平面所在的数据点，保存其索引后从点云中剔除。

水平面的提取与分离很大程度上决定了后续点云聚类的效果以及目标检测的准确性。其详细步骤如下：

(2.4.1)首先从步骤2.4所得点云检测数据中随机抽取一组样本集，其样本数量为300，并且通过该样本集拟合出包含样本点最多的平面模型；

(2.4.2)接着遍历除抽取样本集之外的点，并且逐点测试是否与(2.4.1)中所述模型相匹配，如果匹配，则将该点纳入样本集；

(2.4.3)当样本集中的点足够多时，认为该数学模型基本接近平面模型，并且利用已有样本集中所有的点(包括新添加的)，重新估算数学模型的参数；

(2.4.4)将得到的数学模型，以匹配错误率进行评估；

以上过程为一个完整迭代流程，接着对于输入数据进行重复迭代，直到找出最合适的匹配模型。

所述步骤(2.5)中的点云滤波，具体为：采用条件滤波、直通滤波、半径滤波的复合滤波方式移除点云数据中的孤立点、噪声点。

进一步的详细过程为：采用条件滤波，过滤掉强度值不足1的数据点；采用直通滤波，将有效检测范围之外、无人船自身点、螺旋桨引起的尾浪点滤除；采用半径滤波，指定每个的点1m范围之内内周围至少要有3个的近邻点。否则认为该点是孤立点以及噪声点，从点云中过滤剔除。

所述步骤(3)中的点云聚类，具体为：采用基于欧氏距离的聚类分割算法对非水平面点进行聚类分割，将具有相同属性的点云检测数据聚集到一起。

进一步的详细过程为：首先创建一个Kd树对象作为提取点云时所用的搜索方法，其次创建一个点云索引向量cluster_indices，利用Kd树进行迭代近邻查询，找到35个距离初始点最近的点，并放于索引向量中，直至索引点不再增加。同时对所有类簇设置最少点云数目和最多点云数目，以滤去干扰和离群点，同时防止不同点云簇粘连。本发明将这两个参数分别设置为2000和4。

所述步骤(4)中的水面目标拟合，具体为：采用基于PCA的BoundingBox拟合算法，计算出水面目标的质心和协方差矩阵，即可得到水面目标主方向，随后计算边界值，使得BoundingBox能够完整的包围点云，并获得其轮廓大小。

所述步骤(5)中的融合算法，具体为：针对激光雷达与海事雷达探测相交区间内的水面目标，采用多指标的权重分配模型对传感器结果分配不同的权重，并进行融合计算。

进一步的详细过程为：

(5.1)针对对海事雷达与激光雷达的不重合区域，对传感器自身赋予100％的权重。

(5.2)针对对海事雷达与激光雷达的重合区域，从目标级的水面障碍物信息出发，可以从海事雷达与激光雷达检测障碍物的位置相似度，对数据进行关联，即满足距离阈值要求的为同一个目标，同时分配不同的权重，加权融和后为最终的水面目标检测结果。

通常用到的距离为欧氏距离与马氏距离；其中，欧氏距离在稀疏目标环境下效果很好。由于两种传感器的检测性能不相一致，并且重叠区域间，海事雷达的检测误差较大，因此选用欧氏距离。

对与步骤(5.2)中的距离阈值，具体采用圆形门限的方式对数据进行关联，在建立好关联之后，根据天气、海况、无人艇运动状态的不同，以及距离与传感器误差的先验关系，建立多指标下的距离-检测置信度曲线关系，根据该曲线，结合两种传感器建立好的数据关联，采用KM算法获得最优分配结果，即最优权重分配方案，最后通过该权重分配方案可以得到融合后的水面目标检测结果。

本实施例公开了一种基于激光雷达和海事雷达的无人艇水面目标融合检测方法，所述方法包括:通过激光雷达与海事雷达分别采集到水面目标的数据，得到两种传感器的检测数据；接着对接收到的点云数据进行点云预处理；对预处理过后的点云再进行点云分割，得到点云簇；对点云簇进行点云聚类和拟合，得到水面目标；然后对水面目标进行阈值筛选，得到有效的水面目标，通过加权融合的方式得到最终的水面目标。该检测方法将通过两种探测距离区间有重叠的传感器结合起来，对水面目标进行融合检测，弥补了一定范围内激光雷达远距离探测性能差，海事雷达近距离探测不佳的不足，提高了无人艇水面目标检测的准确性和稳定性。

实施例二

如图2所示，本实施例提供的一种无人艇水面目标融合检测方法，包括：

步骤201：获取激光雷达点云检测数据和海事雷达点云检测数据。

步骤202：分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行处理，得到激光雷达点云簇和海事雷达点云簇。

步骤203：分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息。

步骤204：对所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息进行加权融合处理，确定最终的水面目标信息。

其中，步骤202，具体包括：

分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行预处理。

分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

进一步地，所述分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行预处理，具体包括：

对所述激光雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理；对所述海事雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理。

，所述分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇，具体包括：

采用基于欧氏距离的聚类分割算法，分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

步骤202，具体包括：

采用基于PCA的BoundingBox拟合算法，分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息。

分别对所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息进行目标筛选，得到最终的所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息。

实施例三

如图3所示，本实施例提供了一种无人艇水面目标融合检测系统，包括：

数据获取模块301，用于获取激光雷达点云检测数据和海事雷达点云检测数据。

数据处理模块302，用于分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行处理，得到激光雷达点云簇和海事雷达点云簇。

目标拟合模块303，用于分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息。

水面目标信息确定模块304，用于对所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息进行加权融合处理，确定最终的水面目标信息。

所述数据处理模块302，具体包括：

预处理单元，用于分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行预处理；点云聚类单元，用于分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

进一步地，所述预处理单元，具体包括：

第一预处理单元，用于对所述激光雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理；第二预处理单元，用于对所述海事雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理。

所述点云聚类单元，进一步用于：

采用基于欧氏距离的聚类分割算法，分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

所述目标拟合模块303，具体包括：

目标拟合单元，用于采用基于PCA的BoundingBox拟合算法，分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息。

目标筛选单元，用于分别对所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息进行目标筛选，得到最终的所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种无人艇水面目标融合检测方法，其特征在于，包括：

获取激光雷达点云检测数据和海事雷达点云检测数据；

分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行处理，得到激光雷达点云簇和海事雷达点云簇；

分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息；

对所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息进行加权融合处理，确定最终的水面目标信息。

2.根据权利要求1所述的一种无人艇水面目标融合检测方法，其特征在于，所述分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行处理，得到激光雷达点云簇和海事雷达点云簇，具体包括：

分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行预处理；

分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

3.根据权利要求2所述的一种无人艇水面目标融合检测方法，其特征在于，所述分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行预处理，具体包括：

对所述激光雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理；

对所述海事雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理。

4.根据权利要求2所述的一种无人艇水面目标融合检测方法，其特征在于，所述分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇，具体包括：

采用基于欧氏距离的聚类分割算法，分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

5.根据权利要求1所述的一种无人艇水面目标融合检测方法，其特征在于，所述分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息，具体包括：

采用基于PCA的BoundingBox拟合算法，分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息；

分别对所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息进行目标筛选，得到最终的所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息。

6.一种无人艇水面目标融合检测系统，其特征在于，包括：

数据获取模块，用于获取激光雷达点云检测数据和海事雷达点云检测数据；

数据处理模块，用于分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行处理，得到激光雷达点云簇和海事雷达点云簇；

目标拟合模块，用于分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息；

水面目标信息确定模块，用于对所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息进行加权融合处理，确定最终的水面目标信息。

7.根据权利要求6所述的一种无人艇水面目标融合检测系统，其特征在于，所述数据处理模块，具体包括：

预处理单元，用于分别对所述激光雷达点云检测数据和所述海事雷达点云检测数据进行预处理；

点云聚类单元，用于分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

8.根据权利要求7所述的一种无人艇水面目标融合检测系统，其特征在于，所述预处理单元，具体包括：

第一预处理单元，用于对所述激光雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理；

第二预处理单元，用于对所述海事雷达点云检测数据进行矫正、压缩、匹配、水平面移除和滤波处理。

9.根据权利要求7所述的一种无人艇水面目标融合检测系统，其特征在于，所述点云聚类单元，进一步用于：

采用基于欧氏距离的聚类分割算法，分别对预处理后的激光雷达点云检测数据和预处理后的海事雷达点云检测数据进行点云聚类，得到激光雷达点云簇和海事雷达点云簇。

10.根据权利要求6所述的一种无人艇水面目标融合检测系统，其特征在于，所述目标拟合模块，具体包括：

目标拟合单元，用于采用基于PCA的BoundingBox拟合算法，分别对所述激光雷达点云簇和所述海事雷达点云簇进行目标拟合处理，得到所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息；

目标筛选单元，用于分别对所述激光雷达对应的初始水面目标信息和所述海事雷达对应的初始水面目标信息进行目标筛选，得到最终的所述激光雷达对应的水面目标信息和所述海事雷达对应的水面目标信息。

Images