本发明涉及无人驾驶领域，尤其涉及一种目标物检测与识别方法、装置、电子设备、存储介质。
背景技术
随着汽车行业的发展，人们出行方式变得方便快捷，由此带来了巨大的交通拥堵与交通事故等问题。无人驾驶汽车也成为了汽车产业的一大变革。为了解决无人驾驶中安全交通问题，无人驾驶汽车利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。目前，无人驾驶汽车中的感知传感器主要有摄像头、激光雷达和毫米波雷达，由于单一的传感器自身受环境影响的局限性，例如摄像头受光照影响及缺少测距能力，激光雷达缺少测速能力，毫米波雷达有限的视角范围等，单一传感器的目标物检测可靠性、稳定性及识别率有待提高。
技术实现要素：
本发明为了克服上述现有技术存在的缺陷，提供一种目标物检测与识别方法、装置、电子设备、存储介质，以提高目标物检测与识别的可靠性、稳定性及识别率。
根据本发明的一个方面，提供一种基于多传感器融合的目标物检测与识别方法，包括：
根据来自图像采集装置的图像数据，获取一个或多个目标物的视觉观测数据；
对来自激光雷达传感器的激光数据进行聚类，获得一个或多个目标物的位置信息作为激光观测数据；
根据毫米波雷达传感器的毫米波数据，获取一个或多个目标物的毫米波观测数据；以及
将同一目标物的视觉观测数据、激光观测数据、毫米波观测数据按时序进行融合滤波以获得融合观测数据，根据所述融合观测数据进行目标物的检测与识别。
可选地，所述激光数据包括点云数据，所述点云数据至少包括点云的坐标，所述对来自激光雷达传感器的激光数据进行聚类，获得一个或多个目标物的位置信息作为激光观测数据包括：
计算各点云至激光原点的距离；
按多个预设距离阈值范围形成多个点云区域；
将位于同一点云区域，且点云间距离小于预设间距的多个点云聚类为目标物；以及
将所述目标物的中心位置的位置信息作为所述激光观测数据。
可选地，所述计算各点云至激光原点的距离之前还包括：
利用体素网格(voxelgrid)滤波对所述点云数据进行降采样；
依据预设高度范围筛选降采样后的点云数据；
利用随机抽样一致性算法(ransac)对筛选后的点云数据进行滤波；
利用don算法对点云数据进行低频滤波。
可选地，所述将所述目标物的中心位置的位置信息作为所述激光观测数据包括：
将所述目标物中点云的坐标平均值作为所述目标物的中心位置的位置信息。
可选地，所述根据毫米波雷达传感器的毫米波数据，获取一个或多个目标物的毫米波观测数据包括：
依据毫米波雷达传感器在前一帧的获取的一个或多个目标物的id对当前帧的一个或多个目标物进行id分配，其中，同一目标物分配同一id；以及
判断当前帧分配的新id指示的目标物的毫米波观测数据是否为噪声；
若是，则释放该新id；
若否，则保存该新id；以及
获取当前帧具有id的一个或多个目标物的毫米波观测数据作为融合滤波的输入。
可选地，所述将同一目标物的视觉观测数据、激光观测数据、毫米波观测数据按时序进行融合滤波以获得融合观测数据包括：
对按时序第一个观测数据进行滤波获得当前时刻的融合观测数据及下一时刻的状态估计值；
对按时序第k个观测数据，将第k-1个观测数据的k时刻的状态估计值作为k时刻的融合观测数据，并根据第k个观测数据获取k+1时刻的状态估计值，k为大于1的整数。
可选地，所述融合滤波为卡尔曼滤波，所述卡尔曼滤波按如下公式进行：
x(k|k-1)＝ax(k-1|k-1)+bu(k)；
p(k|k-1)＝ap(k-1|k-1)at+q；
kg(k)＝p(k|k-1)ht/(hp(k|k-1)ht+r)；
x(k|k)＝x(k|k-1)+kg(k)(z(k)-hx(k|k-1))；
p(k|k)＝(i-kg(k)h)p(k|k-1)；
其中，x(k|k)是k时刻的最优解并作为k时刻的融合观测数据，x(k-1|k-1)是k-1时刻的最优解，x(k|k-1)是k时刻的预测量，a是状态转移矩阵，b是参数矩阵，u(k)是k时刻的控制量，p(k-1|k-1)是k-1时刻的误差协方差，p(k|k-1)是k时刻的预测误差协方差，p(k|k)是k时刻的误差协方差，q是过程噪声矩阵，kg(k)是卡尔曼增益，，h是观测矩阵，ht为h转置矩阵，z(k)是系统的测量值，r是测量噪声矩阵，k为大于等于1的整数。
根据本发明又一方面，还提供一种基于多传感器融合的目标物检测与识别装置，包括：
第一获取模块，用于根据来自图像采集装置的图像数据，获取一个或多个目标物的视觉观测数据；
第二获取模块，用于对来自激光雷达传感器的激光数据进行聚类，获得一个或多个目标物的位置信息作为激光观测数据；
第三获取模块，用于根据毫米波雷达传感器的毫米波数据，获取一个或多个目标物的毫米波观测数据；以及
融合滤波模块，用于将同一目标物的视觉观测数据、激光观测数据、毫米波观测数据按时序进行融合滤波以获得融合观测数据，根据所述融合观测数据进行目标物的检测与识别。
根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术，本发明的优势在于：
一方面，分别通过三个传感器获得视觉观测数据、激光观测数据、毫米波观测数据，并对同一目标物的视觉观测数据、激光观测数据、毫米波观测数据进行融合滤波，基于此对目标物进行检测与识别，由此，改善单一传感器的局限性，融合三个传感器的数据进而提高目标物检测与识别的可靠性、稳定性及识别率，尤其可以提高恶劣天气下目标物检测与识别的可靠性、稳定性及识别率；另一方面，对于激光数据进行聚类以实现激光数据的滤波，进一步提高目标物检测与识别的可靠性、稳定性及识别率，同时，通过聚类算法加快激光数据的目标物识别速度。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的目标物检测与识别方法的流程图；
图2示出了根据本发明实施例的激光数据聚类的流程图；
图3示出了根据本发明实施例的激光数据聚类前预处理的流程图；
图4示出了根据本发明实施例的毫米波观测数据去噪的流程图；
图5示出了根据本发明实施例的目标物检测与识别装置的模块图；
图6示意性示出本公开示例性实施例中一种计算机可读存储介质示意图；
图7示意性示出本公开示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为了解决现有技术的缺陷，本发明提供一种目标物检测与识别方法，如图1所示。图1示出了根据本发明实施例的目标物检测与识别方法的流程图。图1共示出4个步骤：
步骤s110：根据来自图像采集装置的图像数据，获取一个或多个目标物的视觉观测数据。
步骤s120：对来自激光雷达传感器的激光数据进行聚类，获得一个或多个目标物的位置信息作为激光观测数据；
步骤s130：根据毫米波雷达传感器的毫米波数据，获取一个或多个目标物的毫米波观测数据；以及
步骤s140：将同一目标物的视觉观测数据、激光观测数据、毫米波观测数据按时序进行融合滤波以获得融合观测数据，根据所述融合观测数据进行目标物的检测与识别。
本发明提供的目标物检测与识别方法，一方面，分别通过三个传感器获得视觉观测数据、激光观测数据、毫米波观测数据，并对同一目标物的视觉观测数据、激光观测数据、毫米波观测数据进行融合滤波，基于此对目标物进行检测与识别，由此，改善单一传感器的局限性，融合三个传感器的数据进而提高目标物检测与识别的可靠性、稳定性及识别率，尤其可以提高恶劣天气下目标物检测与识别的可靠性、稳定性及识别率；另一方面，对于激光数据进行聚类以实现激光数据的滤波，进一步提高目标物检测与识别的可靠性、稳定性及识别率，同时，通过聚类算法加快激光数据的目标物识别速度。
具体而言，上述步骤s110中图像采集装置可以使摄像头。步骤s110根据来自图像采集装置的图像数据，获取一个或多个目标物的视觉观测数据可以包括如下步骤：
本方法首先采用三层高斯金字塔滤波器，定义一个5-100米搜索区域。顶端的图像(遥远的车辆)在高斯金字塔的第二层进行处理，图像的底部(中近距离车辆)在高斯金字塔第三层进行处理。然后，采用梯度分析法，设置特殊自适应阈值来寻找局部梯度最大值帮助查找候选车辆作为目标物。
具体而言，所述的三层高斯金字塔可以按如下方式构建：
先将原图像(即来自图像采集装置的原始图像数据)扩大一倍之后作为高斯金字塔的第1层，将第1层图像经高斯卷积(即高斯平滑或称高斯滤波)之后作为金字塔的第2层，高斯卷积函数g(x,y)为：
其中，参数σ为固定值1.6，(xo,yo)为邻域内中心像素的坐标，(x,y)为邻域内其他像素的坐标。
然后，将σ乘以一个预定比例系数k，等到一个新的平滑因子σ＝k*σ，用它来平滑第2层图像，结果图像作为第3层。由此，获得三层高斯金字塔。
确定目标物后，获取该一个或多个目标物的中心位置的坐标作为视觉观测数据。
具体而言，上述步骤s120对来自激光雷达传感器的激光数据进行聚类，获得一个或多个目标物的位置信息作为激光观测数据中，激光数据包括点云数据。点云数据至少包括点云的坐标(例如三维坐标(x,y,z))。
具体而言，如图2所示，上述步骤s120可以包括如下步骤：
步骤s210：计算各点云至激光原点的距离。
具体而言，可以基于欧式距离计算各点云值激光原点之间的距离：
其中，(x,y,z)为点云的坐标，(x0,y0,z0)为激光原点的坐标。
步骤s220：按多个预设距离阈值范围形成多个点云区域。
在一个具体实施例中，可与预设5个距离阈值范围：大于0小于等于15米、大于15米小于等于30米、大于30米小于等于45米、大于45米小于等于60米、大于60米。
可以按上述5个距离阈值范围划分5个点云区域。即距离激光原点大于0小于等于15米、大于15米小于等于30米、大于30米小于等于45米、大于45米小于等于60米、大于60米的点云分别划分到5个点云区域中。
本发明并非以此为限，点云区域的数量和距离阈值范围可依据实际情况而定。
步骤s230：将位于同一点云区域，且点云间距离小于预设间距的多个点云聚类为目标物。
对每一个按上述距离阈值范围划分的点云区域，计算其中点云间的距离，将点云间距离(按欧式距离计算)小于预设间距的多个点云聚类为目标物。
在一些实施例中，各点云区域具有相同的预设间距。在又一些实施例中，各点云区域可以具有不同的预设间距。在不同预设间距的实施例中，例如，大于0小于等于15米的点云区域的预设间距为0.1米、大于15米小于等于30米的点云区域的预设间距为1米、大于30米小于等于45米的点云区域的预设间距为1.6米、大于45米小于等于60米的点云区域的预设间距为2.1米、大于60米的点云区域的预设间距为2.6米。
在步骤s230中，将点云间距离小于预设间距的多个点云聚类为目标物，并删除距离任意其他点云距离都大于预设间距的点云。
可选的，对经聚类的目标物中的多个点云数据，可以根据点云库(pointcloudlibrary，pcl)中邻近搜索方法，进行噪声过滤
步骤s240：将所述目标物的中心位置的位置信息作为所述激光观测数据。
具体而言，步骤s240可以将所述目标物中点云的坐标平均值作为所述目标物的中心位置的位置信息(对每个目标物中所有点云的坐标值做平均，即分别求取每个点云的x轴坐标值、y轴坐标值、z轴坐标值的总和，除以目标物中点云个数以获得坐标平均值)。
进一步的，在步骤s210之前，还包括对点云数据进行预处理的步骤，如图3所示：
步骤s310：利用体素网格(voxelgrid)滤波对所述点云数据进行降采样；
具体而言，使用体素网格方法实现下采样，即减少点的数量，减少点云数据，并同时保持点云的形状特征，在提高配准、曲面重建、形状识别等算法速度中非常实用。进一步地，步骤s310通过输入的点云数据创建一个三维体素栅格(例如，把体素栅格(即体素网格)想象为微小的空间三维立方体的集合)，然后在每个体素(即，三维立方体)内，用体素中所有点的重心来近似显示体素中其他点，这样该体素就内所有点就用一个重心点最终表示，对于所有体素处理后得到过滤后的点云。重心表示方式为m＝ceil(lx/l)，n＝ceil(ly/l)，l＝ceil(lz/l),其中lx、ly、lz表示在三维立方体内，点云数据坐标值x、y、z三轴的最大值；l表示三维立方体的边长；ceil(x)为取整函数，表示不小于x的最小整数，m、n、l表示在三维立方体内重心在x，y，z三个坐标轴的坐标值。对于所有体素处理后得到过滤后的点云。这种方法比用体素中心来逼近的方法更慢，但它对于采样点对应曲面的表示更为准确。所以该类常用于对大数据量的下采样处理，特别是在配准、曲面重建等工作之前作为预处理，可以很好的提高程序的速度。
步骤s320：依据预设高度范围筛选降采样后的点云数据。
即通过点云的z轴坐标值，筛选在一定高度的点云数据。预设高度范围就是z轴坐标值取值范围，可以根据场景设置，比如港口设置为0.5m～10m。
步骤s330：利用随机抽样一致性算法(randomsampleconsensus，ransac)对筛选后的点云数据进行滤波。
步骤s330采用随机采样一致性算法，过滤垂直于z轴的平面上的点云数据，
具体而言，ransac算法用于排除错误的样本(在本发明中，ransac算法用于过滤一些照射在地面的点云数据)，其输入是一组观测数据，一个可以解释或者适应于观测数据的参数化模型，一些可信的参数。
ransac通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点，并用下述方法进行验证：
a.有一个模型适应于假设的局内点，即所有的未知参数都能从假设的局内点计算得出。
b.用a中得到的模型去测试所有的其它数据，如果某个点适用于估计的模型，认为它也是局内点。
c.如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理。
d.然后，用所有假设的局内点去重新估计模型，因为它仅仅被初始的假设局内点估计过。
e.最后，通过估计局内点与模型的错误率来评估模型。
步骤s340：利用don(differenceofnormals)算法对点云数据进行低频滤波。
具体而言，don是differenceofnormal的简写。don算法的目的是在对点云数据进行低频滤波，低频信息(例如建筑物墙面，地面)往往会对分割产生干扰。don算法利用了多尺度空间的思想，don算法如下：对每个点云：在预设的第一尺度上计算点云的第一法线；在预设的第二尺度上计算点云的第二法线，其中，第二尺度大于第一尺度；计算第一法线减去第二法线的差并过滤差值较小的点以进行滤波。
具体而言，上述的点云数据为三维的激光观测数据。本发明还可以提供二维的激光观测数据
首先采用遗传算法(genetic-likealgorithm)，对二维的激光数据进行分类。该算法是本领域常用的算法，并非是本发明保护的重点，在此不予赘述。
进一步地，所述步骤s130根据毫米波雷达传感器的毫米波数据，获取一个或多个目标物的毫米波观测数据还包括如下步骤，如图4所示：
步骤s410：依据毫米波雷达传感器在前一帧的获取的一个或多个目标物的id对当前帧的一个或多个目标物进行id分配，其中，同一目标物分配同一id。
步骤s420：判断当前帧分配的新id指示的目标物的毫米波观测数据是否为噪声。
若是，则执行步骤s430：释放该新id。
若否，则执行步骤s440：保存该新id。
步骤s450：获取当前帧具有id的一个或多个目标物的毫米波观测数据作为融合滤波的输入。
在上述步骤中，即当前帧若毫米波雷达传感器识别出前一帧没有的目标物时，对其分配新的id，并对具有新的id的目标物的毫米波观测数据进行噪声判断，由此，可以增加数据可靠性，同时可以加快去噪的处理速度。
在一个具体实施例中，可以通过如下方式判断毫米波观测数据是否为噪声：保存当前帧毫米波数据，包含id、距离(distance)、角度(angle)等，等到获取到下一帧数据时，首先，根据测量状态(毫米波数据会反馈)判断新测量(newmeasure)状态的数据，其次逐个遍历状态是新测量的数据里的id号，是否在保存的数据里面；如果在，表示前后帧扫描到的可能是不同障碍物(但分配了同个id号)，然后比较distance、angle值，最终确定是不同障碍物，认为新的数据是噪声，释放新的id号；如果不在，则保存该新的id号
可以理解，上述步骤s110至步骤s130的执行顺序并非以此为限，本发明并不限制步骤s110至步骤s130的执行顺序，即可以按如下顺序执行：步骤s130、步骤s120、步骤s110；步骤s130、步骤s110、步骤s120；步骤s120、步骤s130、步骤s110；步骤s120、步骤s110、步骤s130；步骤s110、步骤s130、步骤s120等。
进一步地，上述步骤s140所述将同一目标物的视觉观测数据、激光观测数据、毫米波观测数据按时序进行融合滤波之前还可以包括将视觉观测数据、激光观测数据、毫米波观测数据映射到同一坐标系的步骤。
上述步骤s140所述将同一目标物的视觉观测数据、激光观测数据、毫米波观测数据按时序进行融合滤波以获得融合观测数据还可以包括如下步骤：
对按时序第一个观测数据进行滤波获得当前时刻的融合观测数据及下一时刻的状态估计值；
对按时序第k个观测数据，将第k-1个观测数据的k时刻的状态估计值作为k时刻的融合观测数据，并根据第k个观测数据获取k+1时刻的状态估计值，k为大于1的整数。
可以理解，由于图像采集装置、激光雷达传感器及毫米波雷达传感器在时序上会不断提供视觉观测数据、激光观测数据、毫米波观测数据，因此，按时序将有多个观测数据输入到融合滤波(滤波器)，本发明不限定上述三种观测数据的提供频率，也不限定上述三种观测数据的输入顺序。
具体而言，在上述步骤s140中，所述融合滤波为卡尔曼滤波，所述卡尔曼滤波按如下公式进行：
x(k|k-1)＝ax(k-1|k-1)+bu(k)；
p(k|k-1)＝ap(k-1|k-1)at+q；
kg(k)＝p(k|k-1)ht/(hp(k|k-1)ht+r)；
x(k|k)＝x(k|k-1)+kg(k)(z(k)-hx(k|k-1))；
p(k|k)＝(i-kg(k)h)p(k|k-1)；
其中，x(k|k)是k时刻的最优解并作为k时刻的融合观测数据，x(k-1|k-1)是k-1时刻的最优解，x(k|k-1)是k时刻的预测量，a是状态转移矩阵，b是参数矩阵，u(k)是k时刻的控制量，p(k-1|k-1)是k-1时刻的误差协方差，p(k|k-1)是k时刻的预测误差协方差，p(k|k)是k时刻的误差协方差，q是过程噪声矩阵，kg(k)是卡尔曼增益，h是观测矩阵，ht为h转置矩阵，z(k)是系统的测量值，r是测量噪声矩阵，k为大于等于1的整数。
本发明还提供一种目标物检测与识别装置，图5示出了根据本发明实施例的目标物检测与识别装置的模块图。目标物检测与识别装置900包括第一获取模块910、第二获取模块920、第三获取模块930及融合滤波模块940。
第一获取模块910用于根据来自图像采集装置的图像数据，获取一个或多个目标物的视觉观测数据；
第二获取模块920用于对来自激光雷达传感器的激光数据进行聚类，获得一个或多个目标物的位置信息作为激光观测数据；
第三获取模块930用于根据毫米波雷达传感器的毫米波数据，获取一个或多个目标物的毫米波观测数据；以及
融合滤波模块940用于将同一目标物的视觉观测数据、激光观测数据、毫米波观测数据按时序进行融合滤波以获得融合观测数据，根据所述融合观测数据进行目标物的检测与识别。
本发明提供的目标物检测与识别装置，一方面，分别通过三个传感器获得视觉观测数据、激光观测数据、毫米波观测数据，并对同一目标物的视觉观测数据、激光观测数据、毫米波观测数据进行融合滤波，基于此对目标物进行检测与识别，由此，改善单一传感器的局限性，融合三个传感器的数据进而提高目标物检测与识别的可靠性、稳定性及识别率，尤其可以提高恶劣天气下目标物检测与识别的可靠性、稳定性及识别率；另一方面，对于激光数据进行聚类以实现激光数据的滤波，进一步提高目标物检测与识别的可靠性、稳定性及识别率，同时，通过聚类算法加快激光数据的目标物识别速度。
图5仅仅是示意性的示出本发明提供的目标物检测与识别装置的模块图，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述电子处方流转处理方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本公开的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述电子处方流转处理方法的步骤。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备600。图7显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1至图4任一幅中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述电子处方流转处理方法。
本发明提供的目标物检测与识别方法、装置、电子设备、存储介质，一方面，分别通过三个传感器获得视觉观测数据、激光观测数据、毫米波观测数据，并对同一目标物的视觉观测数据、激光观测数据、毫米波观测数据进行融合滤波，基于此对目标物进行检测与识别，由此，改善单一传感器的局限性，融合三个传感器的数据进而提高目标物检测与识别的可靠性、稳定性及识别率，尤其可以提高恶劣天气下目标物检测与识别的可靠性、稳定性及识别率；另一方面，对于激光数据进行聚类以实现激光数据的滤波，进一步提高目标物检测与识别的可靠性、稳定性及识别率，同时，通过聚类算法加快激光数据的目标物识别速度。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。