CN111626314A - 点云数据的分类方法、装置、计算机设备和存储介质 - Google Patents
点云数据的分类方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111626314A CN111626314A CN201910151657.0A CN201910151657A CN111626314A CN 111626314 A CN111626314 A CN 111626314A CN 201910151657 A CN201910151657 A CN 201910151657A CN 111626314 A CN111626314 A CN 111626314A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- training
- target
- target obstacle
- feature information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004888 barrier function Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 97
- 239000013598 vector Substances 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种点云数据的分类方法、装置、计算机设备和存储介质。所述方法包括：获取室外环境中多个目标障碍物对应的点云数据；根据所述点云数据识别每个目标障碍物对应的包围框，根据所述包围框提取每个目标障碍物对应的全局特征信息；调用训练后的分类器，将每个目标障碍物对应的全局特征信息输入至所述分类器；通过所述分类器对所述特征信息进行预测运算，输出每个目标障碍物对应的类别。采用本方法能够有效提高室外环境中目标障碍物分类准确性。
Description
技术领域
本申请涉及激光雷达领域技术领域，特别是涉及一种点云数据的分类方法、装置、计算机设备和存储介质。
背景技术
激光雷达传感器能够提供实时并且精确的三维场景信息，具有对环境感知的先天优势，测距范围大精度高，被广泛应用于无人驾驶、安防监测、测绘勘探等领域。激光雷达扫描目标障碍物后所获取的信息通常以点云的形式呈现，通过对点云数据进行分类可以有效识别目标障碍物的类型。
在传统的点云分类方式中，是通过在点云数据中提取各个维度的局部特征对目标障碍物进行分类。但是对于室外环境中的目标障碍物，由于存在遮挡等情形，激光雷达无法对目标障碍物的所有部位进行扫描，因此无法从点云数据中提取到目标障碍物所有的局部特征。如果采用传统点云分类方式对室外环境中采集到的点云数据进行分类，会导致目标障碍物分类的准确性下降。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效提高室外环境中目标障碍物分类准确性的点云数据的分类方法、装置、计算机设备和存储介质。
一种点云数据的分类方法，所述方法包括：
获取室外环境中多个目标障碍物对应的点云数据；
根据所述点云数据识别每个目标障碍物对应的包围框，根据所述包围框提取每个目标障碍物对应的全局特征信息；
调用训练后的分类器，将每个目标障碍物对应的全局特征信息输入至所述分类器；
通过所述分类器对所述特征信息进行预测运算，输出每个目标障碍物对应的类别。
在其中一个实施例中，所述根据所述点云数据识别每个目标障碍物对应的包围框包括：
利用所述点云数据计算所述目标障碍物对应的三维框；
提取所述三维框内的目标点云，对所述目标点云进行包围框拟合运算，得到与所述目标障碍物对应的包围框。
在其中一个实施例中，所述方法还包括：
获取训练数据以及与训练数据对应的标签，所述训练数据包括预先在室外环境中采集到的点云数据；
在所述训练数据中提取训练全局特征信息，所述训练全局特征信息与标签相对应；
利用提取到的训练全局特征信息生成训练特征向量，通过所述训练特征向量与标签对分类器进行训练。
在其中一个实施例中，在所述将每个目标障碍物对应的全局特征信息输入至所述分类器之前，所述方法还包括：
获取所述分类器在训练过程中对应的特征顺序；
按照所述特征顺序将所述全局特征信息转换为与目标障碍物对应的特征向量。
在其中一个实施例中，所述提取每个目标障碍物对应的全局特征信息包括：调用多个线程，通过所述多线程并发提取每个目标障碍物对应的全局特征信息；
所述按照所述特征顺序将所述全局特征信息转换为与目标障碍物对应的特征向量包括：利用所述多线程按照所述特征顺序并发对每个目标障碍物对应的全局特征信息进行转换，得到与每个目标障碍物对应的特征向量。
在其中一个实施例中，所述全局特征信息包括点云包围框位置姿态与尺寸、点云惯性张量、点云协方差矩阵、点云特征值、点云高度范围以及点云反射强度统计特性。
一种点云数据的分类装置，所述装置包括：
数据获取模块，用于获取室外环境中多个目标障碍物对应的点云数据；
特征提取模块，用于根据所述点云数据识别每个目标障碍物对应的包围框，根据所述包围框提取每个目标障碍物对应的全局特征信息；
分类模块，用于调用训练后的分类器，将每个目标障碍物对应的全局特征信息输入至所述分类器；通过所述分类器对所述特征信息进行预测运算，输出每个目标障碍物对应的类别。
在其中一个实施例中，所述特征提取模块还用于利用所述点云数据计算所述目标障碍物对应的三维框；提取所述三维框内的目标点云，对所述目标点云进行包围框拟合运算，得到与所述目标障碍物对应的包围框。
在其中一个实施例中，所述数据获取模块还用于获取训练数据以及与训练数据对应的标签，所述训练数据包括预先在室外环境中采集到的点云数据；所述特征提取模块还用于在所述训练数据中提取训练全局特征信息，所述训练全局特征信息与标签相对应；
所述装置还包括：
训练模块，用于利用提取到的训练全局特征信息生成训练特征向量，通过所述训练特征向量与标签对分类器进行训练。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
上述点云数据的分类方法、装置、计算机设备和存储介质，通过激光雷达采集室外环境中多个目标障碍物对应的点云数据。计算机设备获取到点云数据后，根据点云数据识别每个目标障碍物的包围框，由此可以对室外环境中的多个目标障碍物进行初步识别。利用点云数据提取每个目标障碍物对应的全局特征信息。将每个目标障碍物对应的全局特征信息作为分类器的输入，分类器进行预测运算，输出每个目标障碍物对应的类别。由于分类器是经过训练后得到的，由此能够对室外环境中的每个目标障碍物进行准确分类，有效提高室外环境中目标障碍物分类的准确性。
附图说明
图1为一个实施例中点云数据的分类方法的流程示意图；
图2为一个实施例中点云数据的分类装置的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种点云数据的分类方法，以该方法应用于计算机设备为例进行说明，包括以下步骤：
步骤102，获取室外环境中多个目标障碍物对应的点云数据。
步骤104，根据点云数据识别每个目标障碍物对应的包围框，根据包围框提取每个目标障碍物对应的全局特征信息。
步骤106，调用训练后的分类器，将每个目标障碍物对应的全局特征信息输入至分类器。
步骤108，通过分类器对特征信息进行预测运算，输出每个目标障碍物对应的类别。
车辆在行驶过程中，可以通过激光雷达对室外环境中的多个目标障碍物进行扫描，得到相对应的点云数据。室外环境可以是车辆行驶的环境。车辆在室外环境中行驶时，可以是自动驾驶模式。每个目标障碍物可以对应一个或多个目标点云，即对应一组或多组点云数据。激光雷达将多个目标点云对应的点云数据传送至计算机设备。
为了准确识别每个目标障碍物的类别，计算机设备需要识别每个目标障碍物所在的区域。即计算机设备需要对室外环境中所扫描到的整个区域，进行划分，得到每个目标障碍物所对应的区域。其中，计算机设备根据每个目标点云的点云数据计算每个目标障碍物对应的三维框，包括中心位置、大小、方向等，以此可以根据三维框确定每个目标障碍物对应的区域。由于三维框与目标障碍物的贴合程序不够高，对目标障碍物的分类造成不利影响。为了提高目标障碍物的分类准确性，计算机设备还需要提取三维框内的目标点云，对目标点云进行包围框拟合。
对目标点云进行包围框拟合可以采用多种方式。其中，包括几何方法拟合。本实施例中以几何方法拟合为例进行说明。计算机设备在三维框内提取到相应的目标点云之后，将目标点云投影至二维平面生成二维点云数据。在二维平面中，计算该目标点云对应的主方向，在主方向与垂直方向上通过目标点云的最值点(包括最大值点和最小值点)划定水平范围，以此确定其长和宽。然后计算机设备在垂直平面上确定该目标点云的高度范围。计算机设备根据水平范围与高度范围生成该目标点云对应的拟合框。由于每一帧点云数据都包含多个目标障碍物，计算机设备需要进行多次拟合运算，每个目标点云可以得到多个拟合框。多个拟合框可以形成拟合框集合。计算机设备利用拟合框集合中心作为目标点云的几何中心，根据几何中心划定矩形框，对矩形框划分栅格，根据栅格所包围的点对栅格进行调整，以此拟合得到相应的包围框。由于包围框更加贴合目标点云，由此可以使得点云数据的分类更加准确，进而能有效提高目标障碍物分类的准确性。
计算机设备在识别到每个目标障碍物的包围框之后，根据包围框提取每个目标障碍物对应的全局特征信息。全局特征信息是指能够反映目标障碍物整体特性的特征信息。全局特征信息包括：点云包围框位置姿态与尺寸、点云惯性张量、点云协方差矩阵、点云特征值、点云高度范围以及点云反射强度统计特性等。由于室外环境中，存在遮挡等情形，使得激光雷达无法扫描到目标障碍物所有的局部特征。而且在室外环境的应用场景中，例如，在自动驾驶时，计算机设备只需要识别车辆周围的目标障碍物即可，并不需要识别出每个目标障碍物的所有具体部位。因此，通过识别每个目标障碍物的包围框，可以有效对室外环境中所扫描到的多个目标障碍物进行有效分割，从而有助于对每个目标障碍物进行分类。
计算机设备上存储了预先训练后的分类器。该分类器是通过对室外环境中多种障碍物对应的点云数据(也可以称为训练数据)进行训练后所得到的。分类器可以采用多种机器学习的分类器，例如adaboost、随机森林、xgboost等。
计算机设备对每个目标障碍物对应的全局特征信息进行转换，得到与每个目标障碍物对应的特征向量，将与目标障碍物对应的特征向量输入至该分类器。其中，计算机设备可以获取分类器在训练过程中全局特征对应的特征顺序，按照特征顺序将全局特征信息转换为与目标障碍物对应的特征向量。其中，计算机设备可以针对每个目标障碍物分别生成相对应的特征向量，即计算机设备可以针对室外环境中扫描到的多个目标障碍物分别计算相应的特征向量。计算机设备也可以利用每个目标障碍物对应的特征向量进行拼接，生成多个目标障碍物对应的总的特征向量。
计算机设备可以根据分别将每个目标障碍物对应的特征向量输入至训练后的分类器中，利用分类器进行预测运算，分别输出每个目标障碍物对应的类别。计算机设备还可以将多个目标障碍物对应的总的特征向量输入至训练后的分类器中，利用分类器进行预测运算，依次输出每个目标障碍物对应的类别。类别包括背景、行人、机动车、非机动车等。由此完成对室外环境中的多个目标障碍物的分类。
本实施例中，通过激光雷达采集室外环境中多个目标障碍物对应的点云数据。计算机设备获取到点云数据后，根据点云数据识别每个目标障碍物的包围框，由此可以对室外环境中的多个目标障碍物进行初步识别。利用点云数据提取每个目标障碍物对应的全局特征信息。将每个目标障碍物对应的全局特征信息作为分类器的输入，分类器进行预测运算，输出每个目标障碍物对应的类别。由于分类器是经过训练后得到的，由此能够对室外环境中的每个目标障碍物进行准确分类。
进一步的，在传统的点云数据分类方式中，由于需要提取目标障碍物各个维度的局部特征，需要在点云数据中遍历三次才能提取到所需的局部特征信息。时间复杂度为O(n3)。而本实施例中，只需在点云数据中遍历一次，即可在点云数据中提取所需的全局特征信息，时间复杂度为O(n)。有效降低了时间复杂度，提高了点云数据的分类效率，进而提高了室外环境中目标障碍物的分类效率。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，该方法还包括：获取训练数据以及与训练数据对应的标签，训练数据包括预先在室外环境中采集到的点云数据；在训练数据中提取训练全局特征信息，训练全局特征信息与标签相对应；利用提取到的训练全局特征信息生成训练特征向量，通过训练特征向量与标签对分类器进行训练。
计算机设备预先采集了室外环境中大量障碍物(也可以称为训练障碍物)的点云数据作为训练数据。其中，训练数据具有对应的标签。标签可以表示点云数据的类别，即表示训练障碍物的类别。类别包括背景、行人、机动车、非机动车等。其中，标签可以以训练障碍物的包围框形式进行保存。计算机设备对每个点云数据(训练数据)提取一组训练全局特征信息。训练全局特征包括点云包围框位置姿态与尺寸、点云惯性张量、点云协方差矩阵、点云特征值、点云高度范围以及点云反射强度统计特性等。
计算机设备可以按照训练全局特征对应的预设的特征顺序进行排列，对排列后的训练全局特征进行转换，得到与每个训练目标障碍物对应的训练特征向量。其中，计算机设备可以针对每个训练障碍物分别生成相对应的训练特征向量。计算机设备也可以利用每个训练障碍物对应的特征向量进行拼接，生成多个训练障碍物对应的总的训练特征向量。
计算机设备可以根据分别将每个训练障碍物对应的训练特征向量输入至分类器中，对分类器进行训练，使得分类器分别输出每个训练障碍物对应的类别。计算机设备还可以将多个训练障碍物对应的总的训练特征向量输入至分类器中，对分类器进行训练，使得分类器依次输出每个训练障碍物对应的类别。
通过利用大量的训练障碍物对应的点云数据对分类器进行训练，可以使得训练后的分类器能够对点云数据进行准确分类，从而提高了障碍物的分类准确性。
在一个实施例中，提取每个目标障碍物对应的全局特征信息包括：调用多个线程，通过多线程并发提取每个目标障碍物对应的全局特征信息；按照特征顺序将全局特征信息转换为与目标障碍物对应的特征向量包括：利用多线程按照特征顺序并发对每个目标障碍物对应的全局特征信息进行转换，得到与每个目标障碍物对应的特征向量。
为了有效提高点云数据的分类效率，提高目标障碍物的分类效率，计算机设备还可以调用多线程进行并发处理。具体的，计算机设备可以在识别到每个目标障碍物的包围框之后，生成每个目标障碍物对应的特征提取任务。计算机设备调用多个线程，多个线程并行执行特征提取任务，即多个线程并行提取多个目标障碍物对应的全局特征信息。如果目标障碍物数量大于线程数量，则多个线程并行提取部分目标障碍物对应的全局特征信息，在执行完毕之后，再并行提取剩余的目标障碍物所对应的全局特征信息。在所有的特征提取任务执行完毕之后，线程被释放。
计算机设备在提取到每个目标障碍物对应的全局特征信息之后，还可以生成每个目标障碍物对应的特征转换任务。计算机设备可以调用多个线程，利用多个线程并发执行特征转换任务。其中，多个线程分别获取分类器训练过程中全局特征信息对应的特征顺序，多线程根据该特征顺序并发对多个目标障碍物对应的全局特征信息进行转换，得到与每个目标障碍物对应的特征向量。
通过多线程并发对多个目标障碍物的全局特征信息进行提取，以及通过多线程并发对多个目标障碍物的全局特征信息进行转换，有效提高了点云数据的分类效率，提高了目标障碍物的分类效率。
在一个实施例中，如图2所示，提供了一种点云数据的分类装置，包括：数据获取模块202、特征提取模块204、分类模块206，其中：
数据获取模块202，用于获取室外环境中多个目标障碍物对应的点云数据。
特征提取模块204，用于根据点云数据识别每个目标障碍物对应的包围框，根据包围框提取每个目标障碍物对应的全局特征信息。
分类模块206，用于调用训练后的分类器，将每个目标障碍物对应的全局特征信息输入至分类器；通过分类器对特征信息进行预测运算，输出每个目标障碍物对应的类别。
在一个实施例中，特征提取模块还用于利用点云数据计算目标障碍物对应的三维框；提取三维框内的目标点云，对目标点云进行包围框拟合运算，得到与目标障碍物对应的包围框。
在一个实施例中，数据获取模块还用于获取训练数据以及与训练数据对应的标签，训练数据包括预先在室外环境中采集到的点云数据；特征提取模块还用于在训练数据中提取训练全局特征信息，训练全局特征信息与标签相对应；该装置还包括：训练模块，用于利用提取到的训练全局特征信息生成训练特征向量，通过训练特征向量与标签对分类器进行训练。
在一个实施例中，特征提取模块还用于获取分类器在训练过程中对应的特征顺序；按照特征顺序将全局特征信息转换为与目标障碍物对应的特征向量。
在一个实施例中，特征提取模块还用于调用多个线程，通过多线程并发提取每个目标障碍物对应的全局特征信息；利用多线程按照特征顺序并发对每个目标障碍物对应的全局特征信息进行转换，得到与每个目标障碍物对应的特征向量。
在一个实施例中，全局特征信息包括点云包围框位置姿态与尺寸、点云惯性张量、点云协方差矩阵、点云特征值、点云高度范围以及点云反射强度统计特性。
关于点云数据的分类装置的具体限定可以参见上文中对于点云数据的分类方法的限定，在此不再赘述。上述点云数据的分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储点云数据等。该计算机设备的通信接口用于与激光雷达进行连接通信。该计算机程序被处理器执行时以实现一种点云数据的分类方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述各个方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种点云数据的分类方法，所述方法包括：
获取室外环境中多个目标障碍物对应的点云数据；
根据所述点云数据识别每个目标障碍物对应的包围框，根据所述包围框提取每个目标障碍物对应的全局特征信息；
调用训练后的分类器，将每个目标障碍物对应的全局特征信息输入至所述分类器；
通过所述分类器对所述特征信息进行预测运算，输出每个目标障碍物对应的类别。
2.根据权利要求1所述的方法，其特征在于，所述根据所述点云数据识别每个目标障碍物对应的包围框包括：
利用所述点云数据计算所述目标障碍物对应的三维框；
提取所述三维框内的目标点云，对所述目标点云进行包围框拟合运算，得到与所述目标障碍物对应的包围框。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练数据以及与训练数据对应的标签，所述训练数据包括预先在室外环境中采集到的点云数据；
在所述训练数据中提取训练全局特征信息，所述训练全局特征信息与标签相对应；
利用提取到的训练全局特征信息生成训练特征向量，通过所述训练特征向量与标签对分类器进行训练。
4.根据权利要求1所述的方法，其特征在于，在所述将每个目标障碍物对应的全局特征信息输入至所述分类器之前，所述方法还包括：
获取所述分类器在训练过程中对应的特征顺序；
按照所述特征顺序将所述全局特征信息转换为与目标障碍物对应的特征向量。
5.根据权利要求1所述的方法，其特征在于，所述提取每个目标障碍物对应的全局特征信息包括：调用多个线程，通过所述多线程并发提取每个目标障碍物对应的全局特征信息；
所述按照所述特征顺序将所述全局特征信息转换为与目标障碍物对应的特征向量包括：利用所述多线程按照所述特征顺序并发对每个目标障碍物对应的全局特征信息进行转换，得到与每个目标障碍物对应的特征向量。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述全局特征信息包括点云包围框位置姿态与尺寸、点云惯性张量、点云协方差矩阵、点云特征值、点云高度范围以及点云反射强度统计特性。
7.一种点云数据的分类装置，其特征在于，所述装置包括：
数据获取模块，用于获取室外环境中多个目标障碍物对应的点云数据；
特征提取模块，用于根据所述点云数据识别每个目标障碍物对应的包围框，根据所述包围框提取每个目标障碍物对应的全局特征信息；
分类模块，用于调用训练后的分类器，将每个目标障碍物对应的全局特征信息输入至所述分类器；通过所述分类器对所述特征信息进行预测运算，输出每个目标障碍物对应的类别。
8.根据权利要求7所述的装置，其特征在于，所述特征提取模块还用于利用所述点云数据计算所述目标障碍物对应的三维框；提取所述三维框内的目标点云，对所述目标点云进行包围框拟合运算，得到与所述目标障碍物对应的包围框。
9.根据权利要求7所述的装置，其特征在于，所述数据获取模块还用于获取训练数据以及与训练数据对应的标签，所述训练数据包括预先在室外环境中采集到的点云数据；所述特征提取模块还用于在所述训练数据中提取训练全局特征信息，所述训练全局特征信息与标签相对应；
所述装置还包括：
训练模块，用于利用提取到的训练全局特征信息生成训练特征向量，通过所述训练特征向量与标签对分类器进行训练。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910151657.0A CN111626314B (zh) | 2019-02-28 | 2019-02-28 | 点云数据的分类方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910151657.0A CN111626314B (zh) | 2019-02-28 | 2019-02-28 | 点云数据的分类方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111626314A true CN111626314A (zh) | 2020-09-04 |
| CN111626314B CN111626314B (zh) | 2023-11-07 |
Family
ID=72272429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910151657.0A Active CN111626314B (zh) | 2019-02-28 | 2019-02-28 | 点云数据的分类方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626314B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112347999B (zh) * | 2021-01-07 | 2021-05-14 | 深圳市速腾聚创科技有限公司 | 障碍物识别模型训练方法、障碍物识别方法、装置及*** |
| CN113239719A (zh) * | 2021-03-29 | 2021-08-10 | 深圳元戎启行科技有限公司 | 基于异常信息识别的轨迹预测方法、装置和计算机设备 |
| CN113359758A (zh) * | 2021-06-30 | 2021-09-07 | 山东新一代信息产业技术研究院有限公司 | 一种基于人工势场法的环境代价地图生成方法及*** |
| CN113807184A (zh) * | 2021-08-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 障碍物检测方法、装置、电子设备及自动驾驶车辆 |
| CN114485700A (zh) * | 2021-12-29 | 2022-05-13 | 网络通信与安全紫金山实验室 | 高精度动态地图生成方法及装置 |
| CN115457496A (zh) * | 2022-09-09 | 2022-12-09 | 北京百度网讯科技有限公司 | 自动驾驶的挡墙检测方法、装置及车辆 |
| CN115980702A (zh) * | 2023-03-10 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 目标防误检方法、设备、驾驶设备和介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709475A (zh) * | 2017-01-22 | 2017-05-24 | 百度在线网络技术（北京）有限公司 | 障碍物识别方法及装置、计算机设备及可读存储介质 |
| CN106845412A (zh) * | 2017-01-20 | 2017-06-13 | 百度在线网络技术（北京）有限公司 | 障碍物识别方法及装置、计算机设备及可读介质 |
| CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术（北京）有限公司 | 障碍物检测方法、装置、设备及存储介质 |
| CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
| CN108931983A (zh) * | 2018-09-07 | 2018-12-04 | 深圳市银星智能科技股份有限公司 | 地图构建方法及其机器人 |
| US20180365504A1 (en) * | 2017-06-20 | 2018-12-20 | Baidu Online Network Technology (Beijing) Co., Ltd. | Obstacle type recognizing method and apparatus, device and storage medium |
| CN109344804A (zh) * | 2018-10-30 | 2019-02-15 | 百度在线网络技术（北京）有限公司 | 一种激光点云数据的识别方法、装置、设备和介质 |
-
2019
- 2019-02-28 CN CN201910151657.0A patent/CN111626314B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845412A (zh) * | 2017-01-20 | 2017-06-13 | 百度在线网络技术（北京）有限公司 | 障碍物识别方法及装置、计算机设备及可读介质 |
| CN106709475A (zh) * | 2017-01-22 | 2017-05-24 | 百度在线网络技术（北京）有限公司 | 障碍物识别方法及装置、计算机设备及可读存储介质 |
| CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术（北京）有限公司 | 障碍物检测方法、装置、设备及存储介质 |
| US20180365504A1 (en) * | 2017-06-20 | 2018-12-20 | Baidu Online Network Technology (Beijing) Co., Ltd. | Obstacle type recognizing method and apparatus, device and storage medium |
| CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
| CN108931983A (zh) * | 2018-09-07 | 2018-12-04 | 深圳市银星智能科技股份有限公司 | 地图构建方法及其机器人 |
| CN109344804A (zh) * | 2018-10-30 | 2019-02-15 | 百度在线网络技术（北京）有限公司 | 一种激光点云数据的识别方法、装置、设备和介质 |
Non-Patent Citations (2)
| Title |
|---|
| 张穗华等: "基于三维激光雷达的障碍物检测方法研究" * |
| 曾钰廷: "基于深度学习的物体检测与跟踪方法的研究" * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112347999B (zh) * | 2021-01-07 | 2021-05-14 | 深圳市速腾聚创科技有限公司 | 障碍物识别模型训练方法、障碍物识别方法、装置及*** |
| CN113239719A (zh) * | 2021-03-29 | 2021-08-10 | 深圳元戎启行科技有限公司 | 基于异常信息识别的轨迹预测方法、装置和计算机设备 |
| CN113239719B (zh) * | 2021-03-29 | 2024-04-19 | 深圳元戎启行科技有限公司 | 基于异常信息识别的轨迹预测方法、装置和计算机设备 |
| CN113359758A (zh) * | 2021-06-30 | 2021-09-07 | 山东新一代信息产业技术研究院有限公司 | 一种基于人工势场法的环境代价地图生成方法及*** |
| CN113807184A (zh) * | 2021-08-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 障碍物检测方法、装置、电子设备及自动驾驶车辆 |
| CN114485700A (zh) * | 2021-12-29 | 2022-05-13 | 网络通信与安全紫金山实验室 | 高精度动态地图生成方法及装置 |
| CN115457496A (zh) * | 2022-09-09 | 2022-12-09 | 北京百度网讯科技有限公司 | 自动驾驶的挡墙检测方法、装置及车辆 |
| CN115457496B (zh) * | 2022-09-09 | 2023-12-08 | 北京百度网讯科技有限公司 | 自动驾驶的挡墙检测方法、装置及车辆 |
| CN115980702A (zh) * | 2023-03-10 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 目标防误检方法、设备、驾驶设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111626314B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626314B (zh) | 点云数据的分类方法、装置、计算机设备和存储介质 | |
| CN111160302B (zh) | 基于自动驾驶环境的障碍物信息识别方法和装置 | |
| Akyon et al. | Slicing aided hyper inference and fine-tuning for small object detection | |
| Simonelli et al. | Disentangling monocular 3d object detection | |
| CN111353512B (zh) | 障碍物分类方法、装置、存储介质和计算机设备 | |
| EP3327617B1 (en) | Object detection in image data using depth segmentation | |
| WO2021134296A1 (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
| WO2020192431A1 (en) | System and method for ordered representation and feature extraction for point clouds obtained by detection and ranging sensor | |
| WO2021134285A1 (zh) | 图像跟踪处理方法、装置、计算机设备和存储介质 | |
| JP2020080141A (ja) | フィッシャー及びプロファイル署名を使用したレーザスキャナからの車両分類 | |
| CN106709475B (zh) | 障碍物识别方法及装置、计算机设备及可读存储介质 | |
| CN111353969A (zh) | 道路可行驶区域的确定方法、装置及计算机设备 | |
| CN110298281B (zh) | 视频结构化方法、装置、电子设备及存储介质 | |
| CN110827202A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| KR20190131207A (ko) | 센서 품질 저하에 강인한 딥러닝 기반 카메라, 라이더 센서 융합 인지 방법 및 시스템 | |
| JP6756406B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| US20230386242A1 (en) | Information processing apparatus, control method, and non-transitory storage medium | |
| CN113383283B (zh) | 感知信息处理方法、装置、计算机设备和存储介质 | |
| CN115004259B (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
| KR20180020376A (ko) | 행동 패턴 인식 장치, 행동 패턴 인식 방법 및 행동 패턴 분류기 생성 방법 | |
| US20210357763A1 (en) | Method and device for performing behavior prediction by using explainable self-focused attention | |
| CN114830177A (zh) | 电子设备和用于控制该电子设备的方法 | |
| CN113449586A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN114998736A (zh) | 红外弱小目标检测方法、装置、计算机设备和存储介质 | |
| CN116097305A (zh) | 点云法向量的生成方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |