CN114252859A - 目标区域的确定方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本公开实施例涉及一种目标区域的确定方法、装置、计算机设备和存储介质。所述方法根据配准参数和激光雷达采集到的点云数据获取激光雷达的空间位置，并根据激光雷达的空间位置和激光雷达的扫描半径，确定激光雷达的扫描范围，再根据激光雷达的扫描范围和第二地图中的目标区域，确定目标感兴趣区域。在上述方法中，由于第一地图为高精度的地图数据，因此，使用高精度的第一地图和点云数据进行配准得到激光雷达的扫描范围，可以提高扫描范围的准确性，进而可以提高根据扫描范围确定目标感兴趣区域的准确性。

Description

目标区域的确定方法、装置、计算机设备和存储介质

技术领域

本公开实施例涉及地图测量技术领域，特别是涉及一种目标区域的确定方法、装置、计算机设备和存储介质。

背景技术

随着测量技术的发展，路侧激光雷达已经具有较成熟的检测能力。当基站根据路侧激光雷达输出的点云数据进行目标物体识别之前，需要去除点云数据中属于非道路的背景数据，再进一步的对目标物体进行识别，以提高目标物体识别的准确性。

目前，去除点云数据中的背景数据的方法有很多种，例如，针对点云图像，大多数采用手工切割的方法将点云图像中的背景图像去除。

然而，上述去除点云数据中的背景数据的方法存在准确性低的问题。

发明内容

本公开实施例提供一种目标区域的确定方法、装置、计算机设备和存储介质，在用于提取待识别图像的感兴趣区域时，本公开实施例所述的目标区域的确定方法可以提高提取感兴趣区域的准确性。

第一方面，本公开实施例提供一种目标区域的确定方法，所述方法包括：

根据配准参数和激光雷达采集到的点云数据获取激光雷达的空间位置；所述配准参数为所述点云数据与第一地图配准得到的参数；所述第一地图为点云格式的预设精度的地图数据；所述预设精度大于预设精度阈值；

根据所述激光雷达的空间位置和所述激光雷达的扫描半径，确定所述激光雷达的扫描范围；

根据所述激光雷达的扫描范围和所述第二地图中的目标区域，确定目标感兴趣区域；所述目标区域由所述第二地图中的矢量数据确定；所述第二地图为矢量格式的所述地图数据。

在一个实施例中，根据激光雷达的扫描范围和第二地图中的目标区域，确定目标感兴趣区域，包括：

根据所述激光雷达的扫描范围，在所述第二地图上确定扫描范围轮廓；

将所述目标区域与所述扫描范围轮廓进行交集运算，得到所述目标感兴趣区域。

在一个实施例中，根据激光雷达的扫描范围，在第二地图上确定扫描范围轮廓，包括：

以激光雷达的空间位置为中心，将扫描范围在所述第二地图上进行水平方向的投影，得到扫描范围轮廓。

在一个实施例中，将所述目标区域与所述扫描范围轮廓进行交集运算，得到所述目标感兴趣区域，包括：

从所述目标区域中包含的矢量数据中选取出目标矢量数据所在区域轮廓；

将所述目标矢量数据所在区域轮廓与所述扫描范围轮廓进行交集运算，得到所述目标感兴趣区域。

在一个实施例中，目标矢量信息包括：所述目标矢量数据包括表示机动车道路的矢量数据、人行道路的矢量数据、路侧标记物的矢量数据、车辆的矢量数据中的至少一种。

在一个实施例中，所述方法还包括：

根据所述目标感兴趣区域，从所述激光雷达采集到的点云数据中提取所述目标感兴趣区域内的点云数据；

根据所述目标感兴趣区域内的点云数据，识别所述目标感兴趣区域中的物体。

第二方面，本公开实施例提供一种目标区域的确定装置，所述装置包括：

获取模块，用于根据配准参数和激光雷达采集到的点云数据获取激光雷达的空间位置；所述配准参数为所述点云数据与第一地图配准得到的参数；所述第一地图为点云格式的预设精度的地图数据；所述预设精度大于预设精度阈值；

第一确定模块，用于根据所述激光雷达的空间位置和所述激光雷达的扫描半径，确定所述激光雷达的扫描范围；

第二确定模块，用于根据所述激光雷达的扫描范围和所述第二地图中的目标区域，确定目标感兴趣区域；所述目标区域由所述第二地图中的矢量数据确定；所述第二地图为矢量格式的所述地图数据。

第三方面，本公开实施例提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

第四方面，本公开实施例提供一种计算机可读的存储介质，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第一方面所述的方法。

本公开实施例提供的目标区域的确定方法、装置、计算机设备和存储介质，根据配准参数和激光雷达采集到的点云数据获取激光雷达的空间位置，并根据激光雷达的空间位置和激光雷达的扫描半径，确定激光雷达的扫描范围，再根据激光雷达的扫描范围和第二地图中的目标区域，确定目标感兴趣区域。其中，配准参数为点云数据与第一地图配准得到的参数，第一地图为点云格式的预设精度的地图数据，预设精度大于预设精度阈值目标区域由第二地图中的矢量数据确定，所述第二地图为矢量格式的所述地图数据。在上述方法中，由于第一地图为高精度的地图数据，因此，使用高精度的第一地图和点云数据进行配准得到激光雷达的扫描范围，可以提高扫描范围的准确性，进而可以提高根据扫描范围确定目标感兴趣区域的准确性。

附图说明

图1为一个实施例中多基站协同感知方法的应用环境图；

图2为一个实施例中多基站协同感知方法的流程示意图；

图3为一个实施例中激光雷达的标定方法的流程示意图；

图4为图3实施例中S1003步骤的流程示意图；

图5为图4实施例中S1006步骤的流程示意图；

图6为图4实施例中S1006步骤的流程示意图；

图7为图6实施例中S1011步骤的流程示意图；

图8为图3实施例中S1002步骤的流程示意图；

图9为一个实施例中多基站配准方法的流程示意图；

图10为一个实施例中多基站配准方法的流程示意图；

图11为一个实施例中多基站配准方法的流程示意图；

图12为图11实施例中S1209步骤的流程示意图；

图13为图12实施例中S1213步骤的流程示意图；

图14为一个实施例中目标感兴趣区域的确定的流程示意图；

图15为图14实施例中S1303步骤的流程示意图；

图16为一个实施例中目标感兴趣区域的示意图；

图17为图16实施例中S1306步骤的流程示意图；

图18为一个实施例中目标感兴趣区域的示意图；

图19为一个实施例中目标感兴趣区域的确定的流程示意图；

图20为一个实施例中数据处理方法的流程示意图；

图21为图20实施例中S1402步骤的流程示意图；

图22为图21实施例中S1404步骤的流程示意图；

图23为图22实施例中S1406步骤的流程示意图；

图24为图22实施例中S1407步骤的流程示意图；

图25为一个实施例中数据处理方法的流程示意图；

图26为图25实施例中S1417步骤的流程示意图；

图27为图26实施例中S1419步骤的流程示意图；

图28为图26实施例中S1419步骤的流程示意图；

图29为图26实施例中S1419步骤的流程示意图；

图30为图26实施例中S1419步骤的流程示意图；

图31为一个实施例中数据处理方法的流程示意图；

图32为一个实施例中目标检测方法的流程示意图；

图33为另一个实施例中目标检测方法的流程示意图；

图34为另一个实施例中目标检测方法的流程示意图；

图35为另一个实施例中目标检测方法的流程示意图；

图36为一个实施例中路侧雷达定位监测方法的流程示意图；

图37为一个实施例中获取第二空间信息的流程示意图；

图38为一个实施例中初始点云图的示意图；

图39为一个实施例中获取第一空间信息的流程示意图；

图40为一个实施例中确定路侧雷达是否定位异常的流程示意图；

图41为另一个实施例中确定路侧雷达是否定位异常的流程示意图；

图42为一个实施例中目标区域的确定装置的结构框图；

图43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。

下面结合本公开实施例所应用的场景，对本公开实施例涉及的技术方案进行介绍。

本公开实施例提供的多基站协同感知方法，可以应用于如图1所示的应用环境中。其中，服务器连接多个基站，每个基站可以设置激光雷达，基站之间可以通信，基站通过网络与服务器进行通信。每个激光雷达用于扫描其周围环境区域进而输出雷达点云数据，并发送给对应的服务器和/或基站；服务器和/或基站可以对接收到的雷达点云数据进行处理，以实现目标检测、目标追踪等过程。其中，激光雷达可以是路侧激光雷达，也可以是其它类型的激光雷达。基站可以处理接收的数据，该基站可以包含各种形式的路侧单元(RoadSide Unit， RSU)，边缘服务器等边缘计算设备，服务器可以是独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种多基站协同感知方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

S10、接收多个基站发送的雷达点云数据和各自对应的地图点云数据；地图点云数据的精度大于预设精度阈值。

S11、将各基站上的雷达点云数据与各自对应的地图点云数据进行匹配，得到各基站的位置坐标。

S12、根据各基站的位置坐标和各基站之间的相对位置坐标，将各基站的雷达点云数据转换到预设坐标系中，得到目标雷达点云数据。

S13、根据目标雷达点云数据、第一地图和第二地图，确定目标感兴趣区域；第一地图为点云格式的地图点云数据，第二地图为矢量格式的地图点云数据。

S14、从目标雷达点云数据中提取目标感兴趣区域内的雷达点云数据。

S15、根据目标感兴趣区域内的雷达点云数据，识别目标感兴趣区域中的目标物体，得到目标物体的特征信息。

本实施例的多基站协同感知方法，可以通过多个基站协同实现更广范围的信息感知。需要说明的是，该多基站协同感知方法可以被应用于服务器，也可以被应用于边缘计算设备，或者配置了服务器与边缘设备的综合***中。只要服务器、边缘计算设备或者综合***的算力足够支持上述多基站协同感知方法的各个步骤涉及的运算。本申请对该多基站协同感知方法被应用于服务器、边缘计算设备还是上述综合***不做限定。对于该多基站协同感知方法被应用配置了服务器与边缘设备的综合***时，如何为服务器与边缘设备分配相应任务，可以根据实际需求与设备配置灵活选择，本申请对此也不做限定。

在使用激光雷达进行环境感知，或者，在进行多基站协同感知之前，一般需要对基站的激光雷达，以及，多基站***中各个基站进行标定(配准)，下述实施例详细描述了该标定(配准)过程，说明如下：(需要说明的是，服务器可以对激光雷达进行标定，基站也可以对激光雷达进行标定，且标定的方法可以是相同的，激光雷达坐标系原点的位置坐标本实施例提供的是以地图点云数据为基础的标定过程，是为了实现将激光雷达或者安装了激光雷达的基站通过透变原理将获取的点云数据转换至该地图点云数据的坐标系下的过程)

在一个实施例中，提供了一种激光雷达的标定方法，如图3所示，该方法包括：

S1001、获取激光雷达在预设扫描范围内的雷达点云数据。

其中，预设扫描范围可以由服务器预先根据识别需求确定，也可以根据激光雷达的性能确定，例如，一般激光雷达的预设扫描范围是360°扫描范围。雷达点云数据为激光雷达扫描周围环境后得到的点云数据。激光雷达可以是各种类型的激光雷达，当该激光雷达用于采集道路环境中的点云数据时，激光雷达可以安装在任意的标记物上，例如，激光雷达可以安装在树干上，也可以安装在灯杆上。

具体地，当激光雷达对周围环境进行预设扫描范围的扫描操作时，激光雷达输出雷达点云数据，并将该雷达点云数据发送给与激光雷达连接的基站，基站接收到该雷达点云数据后，即可将该雷达点云数据发送给服务器，服务器再通过分析该雷达点云数据实现对基站所在的周围环境中的物体进行识别。

S1002、从预设扫描范围的地图点云数据中，获取预设扫描范围对应的待匹配区域的地图点云数据；地图点云数据的精度大于预设精度阈值。

其中，预设精度阈值可以由服务器根据实际测量精度要求确定。本实施例所述的地图点云数据的精度大于预设精度阈值，因此，当预设精度阈值较高时，地图点云数据为高精度的地图点云数据。待匹配区域与激光雷达的预设扫描范围涉及的区域对应。需要说明的是，地图点云数据的坐标系为世界坐标系。

具体地，在对激光雷达标定前，可以先获取高精度的地图点云数据，且当确定了激光雷达的预设扫描范围时，可以进一步的根据该预设扫描范围，在地图点云数据中提取出该预设扫描范围内的地图点云数据作为待匹配区域的地图点云数据，以便之后根据待匹配区域的地图点云数据对激光雷达输出的雷达点云数据进行配准，实现对激光雷达的标定。

S1003、将待匹配区域的地图点云数据和雷达点云数据进行匹配，得到激光雷达的标定参数；待匹配区域的地图点云数据和预设扫描范围内的雷达点云数据中包含相同的待匹配物体。

其中，所述标定参数包括激光雷达坐标系原点的经度、纬度、海拔、绕经度旋转角度、绕纬度旋转角度、绕海拔旋转角度。可选地，待匹配物体可以表示车道线、灯杆、交通工具等不同类型的物体。具体地，在基于上述步骤得到待匹配区域的地图点云数据时，可以首先利用原始标定参数将待匹配区域的地图点云数据中的特征和雷达点云数据中的特征进行匹配，得到匹配结果，再通过调整原始标定参数使得匹配结果符合预设标准，输出调整后的标定参数，结束该标定过程。需要说明的是，在将待匹配区域的地图点云数据和雷达点云数据进行匹配时，前提条件是需要待匹配区域的地图点云数据和预设扫描范围内的雷达点云数据中包含相同的待匹配物体，以使之后可以根据该相同的待匹配物体确定匹配结果是否符合预设标准。具体地，可以通过计算待匹配物体上点云点在雷达点云数据与地图点云数据的坐标距离判断匹配结果是否符合预设条件。此时可以将该预设条件设置为坐标距离最小即判定为匹配结果符合预设条件，也可以将该距离小于预设阈值即判定为匹配结果符合预设条件。

上述激光雷达的标定方法中，通过获取激光雷达在预设扫描范围内的雷达点云数据，再根据预设扫描范围从精度大于预设精度阈值的地图点云数据中，获取预设扫描范围对应的待匹配区域的地图点云数据，进而将待匹配区域的地图点云数据和雷达点云数据进行匹配，得到激光雷达的标定参数。由于地图点云数据为高精度的地图点云数据，因此，之后使用高精度的地图点云数据和雷达点云数据对激光雷达进行标定，实现了使用高精度的数据对激光雷达进行标定，可以提高标定的准确性。相比于传统的采用特定的定位设备对激光雷达进行标定的方法，本公开实施例所述的标定方法不会因定位设备的精度较低而影响标定的准确性，而且，也不会因定位设备精度的不稳定性影响标定的效率。因此，本公开实施例提供的标定方法可以提高标定的准确性，同时还可以提高标定的效率。

在实际应用中激光雷达在获取到的雷达点云数据可以利用上述标定过程获取的标定参数，将点云转换至地图点云数据的坐标系下。通常该地图点云数据的坐标位置是以经纬度为基础的，在此基础上，激光雷达在获取到的雷达点云数据后，可以根据上述标定参数获取绝对位置坐标(经纬度)。由于大部分道路场景的交互均以绝对位置坐标为基础，因此上述标定过程利于该激光雷达的广泛应用。

可选地，在可以获取目标的绝对位置坐标的前提下，激光雷达坐标系原点的位置坐标使服务器可以根据待识别目标物体的绝对位置坐标结合相应的识别算法实现对待识别目标物体的位置识别、类型识别、属性识别等识别工作，从而达到对目标物体检测的目的，因此可以被广泛应用在任何需要目标识别的领域，例如，自动驾驶导航领域中的交通工具识别、障碍物识别、道路检测等。

在一个实施例中，上述S1003“将待匹配区域的地图点云数据和雷达点云数据进行匹配，得到激光雷达的标定参数”之前，图3实施例所述的方法还包括步骤：剔除雷达点云数据中的动态雷达点云数据，得到静态雷达点云数据。

其中，动态雷达点云数据包括雷达点云数据中状态为移动的物体的点云数据，例如，行驶车辆的点云数据。静态雷达点云数据包括雷达点云数据中状态为静止的物体的点云数据，例如，路边的灯杆。

具体地，当服务器获取到激光雷达输出的雷达点云数据时，可以进一步的对该雷达点云数据进行剔除处理，具体先确定雷达点云数据中属于移动的物体的点云数据，即动态雷达点云数据，再将动态雷达点云数据从雷达点云数据中剔除掉，保留属于静止的物体的点云数据，即静态雷达点云数据，以便之后服务器根据静态雷达点云数据对激光雷达进行标定。

上述实施例中，由于静态雷达点云数据中的物体均为静止的，所以相比于动态雷达点云数据，激光雷达获取到的静态雷达点云数据的误差相对较小，进而可以提高服务器之后根据静态雷达点云数据对激光雷达进行标定时的标定准确性。

具体地，在服务器得到上述静态雷达点云数据时，即可利用该静态雷达点云数据实现对激光雷达的标定。因此，上述S1003具体包括：将待匹配区域的地图点云数据和静态雷达点云数据进行匹配，得到激光雷达的标定参数。

服务器在基于上述步骤得到静态雷达点云数据时，可以将静态雷达点云数据中的特征和待匹配区域的地图点云数据中的特征进行匹配，得到匹配结果，再通过调整原始标定参数使得匹配结果符合预设标准，输出调整后的标定参数，结束该标定过程。可选地，原始标定参数可以是通过测量获取的，也可以是激光雷达当前的标定参数。可选的，也可以将静态雷达点云数据中的点云和待匹配区域的地图点云数据中的点云进行匹配，得到匹配结果，再通过调整原始标定参数使得匹配结果符合预设标准，输出调整后的标定参数，结束该标定过程。可选地，原始标定参数可以是通过测量获取的，也可以是激光雷达当前的标定参数。。

在上述实施例所述的S1003的实现方式的基础上，本公开实施例还提供了该实现方式的具体实施方法，如图4所示，该具体实施方法包括：包括：

S1004、提取静态雷达点云数据中的特征，得到第一特征集合；第一特征集合包括至少两个第一特征。

其中，静态雷达点云数据中的特征表示激光雷达扫描的周围环境中的静态物体，例如，特征可以是道路的边线，道路周围的标记物、树木、灯杆等。第一特征集合中包含的第一特征可以是从静态雷达点云数据中提取到的所有特征，也可以是提取到的部分特征。例如，提取静态雷达点云数据中的道路、道路旁的灯杆，对应的第一特征集合包括道路和道路旁的灯杆这两个第一特征。

具体地，服务器在获取到静态雷达点云数据时，可以通过现有的特征提取算法提取静态雷达点云数据中的所有特征，或者根据匹配需求提取静态雷达点云数据中的部分特征，从而得到提取出的至少两个特征，即包含至少两个第一特征的第一特征集合。上述特征提取算法可以选用神经网络特征提取算法，也可以选用其它特征提取算法，此处不做限定。

S1005、提取待匹配区域的地图点云数据中的特征，得到第二特征集合。

其中，待匹配区域的地图点云数据中的特征表示地图涉及区域范围内的物体，例如，地图中的道路的边线，道路周围的标记物、树木、灯杆等。第二特征集合中包含的第二特征可以是从地图点云数据中提取到的所有特征，也可以是提取到的部分特征。例如，提取地图点云数据中的道路、道路旁的灯杆，对应的第二特征集合包括道路和道路旁的灯杆这两个第二特征。

具体地，服务器在获取到地图点云数据时，同时也可以相应的获取到该地图点云数据中的所有特征或部分特征；可选的，服务器也可以通过现有的特征提取算法提取地图点云数据中的所有特征，或者根据匹配需求提取地图点云数据中的部分特征，从而得到提取出的至少两个特征，即包含至少两个第二特征的第二特征集合。需要说明的是，第二特征集合中包含的第二特征的数量与第一特征的数量可以相同，也可以不相同。

S1006、将第一特征集合与第二特征集合进行匹配，得到激光雷达的标定参数。

服务器在基于上述步骤得到第一特征集合与第二特征集合时，可以将第一特征集合中的各第一特征与第二特征集合中的各第二特征进行匹配，得到一组匹配的第一特征和第二特征，或多组匹配的第一特征和第二特征，得到匹配结果，再通过调整原始标定参数使得匹配结果符合预设标准，输出调整后的标定参数，结束该标定过程。上述特征的相关信息可以是该特征的位置坐标、方向、大小、航向角等信息。

上述公开的实施例实现了基于静态雷达点云数据和地图点云数据中的匹配特征对激光雷达进行标定。其中由于地图点云数据中的特征是精确的特征，因此，使用高精度的特征对激光雷达进行标定，可以提高标定的准确性。而且，由于地图点云数据中的特征易于获取，不需要额外设备获取，相比于传统标定方法还需要额外定位设备进行定位的方法，本实施例所述的标定方法还可以降低标定成本。

激光雷达坐标系原点的位置坐标在一个实施例中，标定参数包括雷达点云数据的坐标系原点的经度、纬度、海拔、绕经度旋转角度、绕纬度旋转角度、绕海拔旋转角度。上述S1006“将第一特征集合与第二特征集合进行匹配，得到激光雷达的标定参数”，如图5所示，包括：

S1007、获取第一特征集合中的两个第一特征之间的线段在雷达坐标系中的预设平面上的第一投影线段，得到第一投影线段与对应的坐标轴之间的第一投影夹角。

其中，雷达坐标系可以是直角坐标系。预设平面是雷达坐标系中任意两个坐标轴所在平面，例如，雷达坐标系的坐标轴包括：X轴、Y轴、Z轴，对应的预设平面包括：XY平面、YZ平面、XZ平面。

具体地，当服务器得到第一特征集合时，可以在该第一特征集合中选取任意两个第一特征，然后根据这两个第一特征的位置坐标，在雷达坐标系中将这两个第一特征连接起来，得到这两个第一特征之间的线段，然后将该线段投影到预设平面上，得到第一投影线段。再进一步的选取预设平面对应的坐标轴，得到该坐标轴与第一投影线段之间的第一投影夹角。例如，若上述预设平面为 XZ平面，则XZ平面对应的坐标轴为Z轴，相应的，两个第一特征在XZ平面上的第一投影线段与对应的Z轴之间的夹角即为第一投影夹角；若上述预设平面为YZ平面，则YZ平面对应的坐标轴为Y轴，相应的，两个第一特征在YZ 平面上的第一投影线段与对应的Y轴之间的夹角即为第一投影夹角；若上述预设平面为XY平面，则XY平面对应的坐标轴为X轴，相应的，两个第一特征在XY平面上的第一投影线段与对应的X轴之间的夹角即为第一投影夹角。

S1008、获取第二特征集合中的两个第二特征之间的线段在地理坐标系中的预设平面上的第二投影线段，得到第二投影线段与对应的坐标轴之间的第二投影夹角；第二特征集合中的两个第二特征的类型与第一特征集合中的两个第一特征的类型相同。

其中，预设平面是地理坐标系中任意两个坐标轴所在平面，例如，地理坐标系的坐标轴包括：经度轴、纬度轴、海拔轴，对应的预设平面包括：经度平面、纬度平面、海拔平面。

具体地，当服务器得到第二特征集合时，可以在该第二特征集合中选取两个第二特征，然后根据这两个第二特征的位置坐标，在地理坐标系中将这两个第二特征连接起来，得到这两个第二特征之间的线段，然后将该线段投影到预设平面上，得到第二投影线段。再进一步的选取预设平面对应的坐标轴，得到该坐标轴与第二投影线段之间的第二投影夹角。例如，若上述预设平面为海拔平面，则海拔平面对应的坐标轴为海拔轴，相应的，两个第一特征在海拔平面上的第一投影线段与对应的海拔轴之间的夹角即为第一投影夹角；若上述预设平面为纬度平面，则纬度平面对应的坐标轴为纬度轴，相应的，两个第一特征在纬度平面上的第一投影线段与对应的纬度轴之间的夹角即为第一投影夹角；若上述预设平面为经度平面，则经度平面对应的坐标轴为经度轴，相应的，两个第一特征在经度平面上的第一投影线段与对应的经度轴之间的夹角即为第一投影夹角。需要说明的是，这里选取的两个第二特征的类型与上述第一特征集合中选取出的两个第一特征的类型相同，例如，如果选出的两个第一特征为道路和灯杆，则对应的，第二特征集合中的两个第二特征也为道路和灯杆。

S1009、将第一投影夹角与第二投影夹角进行差值运算，得到激光雷达坐标系原点的的旋转角度；激光雷达坐标系原点的旋转角度包括绕经度旋转角度、绕纬度旋转角度、绕海拔旋转角度。

当服务器基于上述步骤得到第一投影夹角与第二投影夹角时，进一步的将该第一投影夹角与该第二投影夹角进行差值运算，并将运算后的差值角度作为标定的激光雷达的旋转角度。上述两个第一特征之间的线段或两个第二特征之间的线段在各自的坐标系中的预设平面上进行投影时，投影的预设平面不同，预设平面对应的坐标轴不同，则对应不同的旋转角度。

例如，若雷达坐标系中的预设平面为XZ平面，则XZ平面对应的坐标轴为 Z轴，地理坐标系中的预设平面为海拔平面，海拔平面对应的坐标轴为海拔轴，激光雷达的旋转角度为绕纬度旋转角度；若雷达坐标系中的预设平面为YZ平面，则YZ平面对应的坐标轴为Y轴，地理坐标系中的预设平面为纬度平面，纬度平面对应的坐标轴为纬度轴，激光雷达的旋转角度为绕经度旋转角度；若雷达坐标系中的预设平面为XY平面，则XY平面对应的坐标轴为X轴，地理坐标系中的预设平面为经度平面，经度平面对应的坐标轴为经度轴，激光雷达的旋转角度为绕海拔旋转角度。

在一个实施例中，上述S1006“将第一特征集合与第二特征集合进行匹配，得到激光雷达的标定参数”，如图6所示，包括：

S1010、将第一特征集合中的各第一特征与第二特征集合中的各第二特征进行匹配，得到属于相同类型的目标第一特征和目标第二特征。

服务器在基于上述步骤得到第一特征集合与第二特征集合时，可以从第一特征集合和第二特征集合中筛选出类型相同的第一特征和第二特征，并将筛选出来的第一特征作为目标第一特征，以及将筛选出来的第二特征作为目标第二特征。当然，在筛选时可以筛选出任意类型的特征，只要是筛选出的第一特征和第二特征的类型相同即可。例如，从第一特征集合中筛选出属于灯杆类型的第一特征，也在第二特征集合中筛选出属于灯杆类型的第二特征。

S1011、根据目标第一特征的位置坐标和目标第二特征的位置坐标，确定激光雷达坐标系原点的位置坐标；位置坐标包括经度、纬度、海拔。

当服务器基于上述步骤筛选出目标第一特征和目标第二特征时，即可获取到目标第一特征的位置坐标和目标第二特征的位置坐标，因为目标第一特征的位置坐标是雷达坐标系中的相对量，目标第二特征的位置坐标是地理坐标系中的绝对量，因此，将目标第一特征的位置坐标和目标第二特征的位置坐标代入相应的弧度计算公式，即可计算得到激光雷达坐标系原点的位置坐标；位置坐标包括经度、纬度、海拔。上述方法通过同一特征在雷达坐标系中的位置坐标和在地理坐标***中的位置坐标，计算得到激光雷达的激光雷达坐标系原点的位置坐标，利用简单的运算即可实现对激光雷达的标定，该方法易于实现。

在实际应用中，由于在激光雷达扫描周围环境获取点云数据时，通常是水平扫描，但是也存在不是水平扫描的情况，此时就需要对由点云数据中提取的第一特征的位置坐标进行修正，再基于修正后的位置坐标确定激光雷达坐标系原点的位置坐标，因此，本实施例还提供了一种上述S1011的实现方式。

如图7所示，上述S1011“根据目标第一特征的位置坐标和目标第二特征的位置坐标，确定激光雷达坐标系原点的位置坐标”，包括：

S1012、将旋转角度代入预设的余弦函数中得到余弦函数的值，根据余弦函数的值对目标第一特征的位置坐标进行修正，得到修正后的目标第一特征的位置坐标。

本实施例涉及对目标第一特征的位置坐标进行修正的具体计算方法，具体地，可以将旋转角度代入如下关系式(1)进行计算，得到修正后的目标第一特征的位置坐标：

A'＝A×cos(θ) (1)；

上式中，A表示目标第一特征的位置坐标，可以代表目标第一特征的X坐标、Y坐标、Z坐标中的一个；A'表示修正后的目标第一特征的位置坐标，与A 对应。θ表示激光雷达的旋转角度；如果A表示X坐标，对应的θ就表示绕海拔旋转角度，对应的A'表示修正后的X坐标；如果A表示Y坐标，对应的θ就表示绕经度旋转角度，对应的A'表示修正后的Y坐标；如果A表示Z坐标，对应的θ就表示绕纬度旋转角度，对应的A'表示修正后的Z坐标。

S1013、根据修正后的目标第一特征的位置坐标和目标第二特征的位置坐标，确定激光雷达坐标系原点的位置坐标。

当基站基于上述步骤对目标第一特征的位置坐标进行修正后，即可采用S1011所述的方法根据修正后的目标第一特征的位置坐标和目标第二特征的位置坐标确定激光雷达坐标系原点的位置坐标。具体方法参见前述S1011的说明，此处不赘述。

上述方法通过修正后的目标第一特征的位置坐标和目标第二特征的位置坐标确定激光雷达坐标系原点的位置坐标平移向量，消除了激光雷达在非水平扫描情况下获取雷达点云数据的误差，进而提高了获取的标定参数的准确性。

具体的，激光雷达坐标系原点的位置坐标包括：经度、纬度、海拔。在基站执行上述S1013步骤时，具体根据修正后的目标第一特征的位置坐标中的X 坐标和目标第二特征的位置坐标中的经度坐标，确定激光雷达坐标系原点的经度；根据修正后的所述目标第一特征的位置坐标中的Y坐标和目标第二特征的位置坐标中的纬度坐标，确定激光雷达坐标系原点的纬度；根据修正后的目标第一特征的位置坐标中的Z坐标和目标第二特征的位置坐标中的海拔坐标，确定激光雷达坐标系原点的海拔。上述经度、纬度、海拔各自的确定方法可以参见前述S1011的说明，此处不赘述。

在一个实施例中，还提供了上述S1002的具体实施方式，如图8所示，上述S1002“从预设扫描范围从地图点云数据中，获取预设扫描范围对应的待匹配区域的地图点云数据”，包括：

S1014、根据激光雷达的安装位置，确定初始原点。

其中，初始原点是指激光雷达在地图点云数据中的位置坐标。

具体地，在确定提取地图点云数据中的哪些地图点云数据作为待匹配区域的地图点云数据时，可以先根据激光雷达的实际安装位置，在地图点云数据中确定激光雷达的初始原点，以便之后服务器可以根据该初始原点在地图点云数据中确定待匹配区域。激光雷达的实际安装位置可以是任何位置，例如，实际应用中，激光雷达安装在灯杆上，则对应在地图点云数据中查找到该灯杆，然后将该灯杆所在位置确定为激光雷达的初始原点。

S1005、以初始原点为中心，在地图点云数据中选取预设扫描范围内的地图点云数据作为待匹配区域的地图点云数据。

当服务器基于上述步骤确定了激光雷达的初始原点后，即可以该初始原点为中心，在该初始原点的周围预设扫描范围内的区域上获取对应的地图点云数据，并将获取到的地图点云数据作为待匹配区域的地图点云数据。

上述方法通过激光雷达的实际安装位置，在高精度的地图上确定激光雷达的初始原点，可以使待匹配区域的地图点云数据与激光雷达在预设扫描范围内的雷达点云数据相对应，进而提高之后匹配结果的准确度，从而提高了标定过程的准确性。

在实际应用中，当应用多个路侧激光雷达对目标物体进行测量时，通常需要对多个路侧激光雷达进行配准，以便服务器可以对获取的多个路侧激光雷达的点云数据进行空间同步，进而实现基于多个路侧激光雷达的点云数据的目标检测、目标追踪或者环境感知等过程。但是目前的配准方法存在配准不准确的问题。针对这一问题，本申请提供了一种多基站的配准方法。

即，上述S12为服务器对多个基站进行配准的方法，下述实施例详细描述了该过程，说明如下：在一个实施例中，提供了一种多基站配准方法，如图9 所示，该方法包括：

S1201、获取各个基站的雷达点云数据和对应的地图点云数据；地图点云数据的精度大于预设精度阈值。

其中，雷达点云数据为基站的激光雷达扫描周围环境后得到的点云数据，雷达点云数据用于表征周围环境中各物体的距离信息。激光雷达可以是各种类型的激光雷达，当该激光雷达用于采集道路环境中的点云数据时，激光雷达可以安装在任意的标记物上，例如，激光雷达可以安装在预设的路侧位置，例如可以安装在安装架上，也可以安装在灯杆上。预设精度阈值可以由基站根据实际测量精度要求确定。地图点云数据是待匹配的地图点云数据，地图点云数据可以是基站所在区域内的地图点云数据，也可以是激光雷达在扫描范围内涉及到的扫描区域内的地图点云数据。本实施例所述的地图点云数据的精度大于预设精度阈值，因此，当预设精度阈值较高时，地图点云数据为高精度的地图点云数据。

具体地，基站可以在数据库中获取到地图点云数据，也可以通过其它方式获取到上述地图点云数据，此处不做限定。同时，基站可以启动激光雷达对周围区域进行预设扫描范围的扫描操作，从而通过激光雷达采集到的数据得到雷达点云数据。

S1202、按照单个基站分别迭代执行将各个基站的雷达点云数据与对应的地图点云数据进行匹配，得到激光雷达坐标系原点的位置坐标的匹配结果，根据所述匹配结果调整各个基站原始的配准参数，直至输出的匹配结果满足预设条件，输出调整后的各个基站的配准参数。所述基站的配准参数包括基站坐标系原点的经度、纬度、海拔、绕经度旋转角度、绕纬度旋转角度、绕海拔旋转角度。

其中，雷达点云数据和地图点云数据中包含相同的待匹配物体。待匹配物体可以表示车道线、灯杆、交通工具等不同类型的物体。激光雷达坐标系原点的位置坐标包括经度坐标、纬度坐标和海拔坐标。具体地，每个基站在基于上述步骤得到地图点云数据和雷达点云数据时，可以将这些数据发送给服务器，然后服务器将地图点云数据中的特征和雷达点云数据中提取的待匹配物体的特征进行匹配，得到匹配结果，再通过调整原始标定参数使得匹配结果符合预设标准，最终输出调整后各个基站的配准参数。激光雷达坐标系原点的位置坐标可选的，也可以将地图点云数据中的点云和雷达点云数据中的点云的位置坐标进行匹配，得到匹配结果，再通过调整原始标定参数使得匹配结果符合预设标准，最终输出调整后的各个基站的配准参数。

在获取到各个基站上述配准参数后，可以利用该配准参数将各个基站获取的数据通过运算转换至该地图点云数据的坐标系下(世界坐标系下)。需要说明的是，各个基站除包含激光雷达之外还可以包含其他传感器，例如相机、毫米波雷达等。这些传感器组成信息感知***。该***在运行时会进行标定，得到标定参数，该标定参数可以使该***中各个传感器的数据可以转换至同一坐标系(空间同步过程)，例如可以将相机获取的图像转换至该激光雷达的坐标系下。

S1203、根据各个基站配准参数计算各个基站的相对配准参数。

其中，相对配准参数可以被用于将其他基站的数据转换至本基站的坐标系下，实现基于本基站坐标系的空间同步。

具体地，当服务器基于上述步骤得到各个基站的配准参数后，可以进一步的将各个基站的配准参数进行差值运算，得到各个基站相互之间的相对配置参数。之后服务器即可基于得到的各个基站相互之间的相对配置参数实现对各个基站的配准。

上述配准方法中，通过获取各个基站的雷达点云数据和对应的地图点云数据，按照单个基站分别迭代执行将各个基站的雷达点云数据与对应的地图点云数据进行匹配，得到激光雷达坐标系原点的位置坐标的匹配结果，根据匹配结果调整各个基站原始的配准参数，直至输出的匹配结果满足预设条件，输出调整后的各个基站的配准参数，再根据各个基站配准参数计算各个基站的相对配准参数。由于各个基站的配准参数均是通过高精度的地图点云数据和雷达点云数据进行匹配后得到的，实现了使用高精度数据对激光雷达进行标定，因此得到的各个基站的配准参数的准确性较高，进而使之后根据各个基站的配准参数得到的相对配准参数的准确性也较高，极大的提高了多个基站进行配准时的准确性。

在一个实施例中，提供了各基站获取上述地图点云数据的方式，如图10所示，该方式包括：

S1205，获取每个基站的原始地图点云数据；原始地图点云数据的精度大于预设精度阈值。

其中，原始地图点云数据可以是每个基站所在区域内的地图数据，也可以是每个基站上的激光雷达在预设扫描范围区域内的地图数据。具体地，每个基站可以在数据库中获取到各自的原始地图点云数据，也可以通过其它方式获取到各自的原始地图点云数据，此处不做限定。原始地图点云数据的精度与地图点云数据的精度相同。

S1206，根据每个基站的激光雷达的实际安装位置和激光雷达的预设扫描范围从原始地图点云数据中，获取预设扫描范围内的区域的地图点云数据作为地图点云数据。

其中，预设扫描范围可以由每个基站预先根据识别需求确定，也可以根据每个基站上的激光雷达的性能确定，例如，一般激光雷达的预设扫描范围是 360°扫描范围。具体地，每个基站可以根据各自的激光雷达的实际安装位置，在各自的原始地图点云数据中确定各自的激光雷达的初始原点。再以该初始原点为中心，在各自的原始地图点云数据中选取预设扫描范围内区域的地图点云数据作为每个基站对应的地图点云数据。

需要说明的是，在上述过程中，在确定提取原始地图点云数据中的哪些地图点云数据作为地图点云数据时，可以先根据每个基站的激光雷达的实际安装位置，在原始地图点云数据中确定每个基站的激光雷达的初始原点，以便之后每个基站可以根据该初始原点在原始地图点云数据中确定地图点云数据对应区域。其中，激光雷达的实际安装位置可以是任何位置，例如，实际应用中，激光雷达安装在灯杆上，则对应在原始地图点云数据中查找到该灯杆，然后将该灯杆所在位置确定为激光雷达的初始原点。当每个基站基于上述步骤确定了激光雷达的初始原点后，即可以以该初始原点为中心，在该初始原点的周围预设扫描范围内的区域上获取对应的地图点云数据，并将获取到的地图点云数据作为地图点云数据。

上述方法通过激光雷达的实际安装位置，在高精度的地图上确定激光雷达的初始原点，可以使地图点云数据与激光雷达在预设扫描范围内的雷达点云数据相对应，进而提高之后匹配地图点云数据与雷达点云数据的匹配度，从而提高了之后对激光雷达标定的准确性。

在一个实施例中，上述S1202“将各个基站的雷达点云数据与对应的地图点云数据进行匹配，得到激光雷达坐标系原点的位置坐标的匹配结果”之前，图9实施例所述的方法还包括步骤：剔除雷达点云数据中的动态雷达点云数据，得到静态雷达点云数据。

其中，动态雷达点云数据包括雷达点云数据中状态为移动的物体的点云数据，例如，行驶车辆的点云数据。静态雷达点云数据包括雷达点云数据中状态为静止的物体的点云数据，例如，路边的灯杆。

具体地，当服务器获取到各基站上的激光雷达输出的雷达点云数据时，可以进一步的对该雷达点云数据进行剔除处理，具体先确定雷达点云数据中属于移动的物体的点云数据，即动态雷达点云数据，再将动态雷达点云数据从雷达点云数据中剔除掉，保留属于静止的物体的点云数据，即静态雷达点云数据，以便之后服务器根据静态雷达点云数据对各基站上的激光雷达进行标定。需要说明的是，地图点云数据通常包含的都是静态的点云数据，因此本实施例不需要对地图点云数据进行剔除处理，但是，若基站得到的地图点云数据中包含有动态的点云数据时，本实施例也提供了对地图点云数据进行剔除处理的方法，该方法与上述剔除动态雷达点云数据采用的方法一致，具体参见前述说明。

上述实施例中，由于静态雷达点云数据中的物体均为静止的，所以相比于动态雷达点云数据，激光雷达获取到的静态雷达点云数据的误差相对较小，进而可以提高服务器之后根据静态雷达点云数据对激光雷达进行标定时的标定准确性。

具体地，在服务器得到上述静态雷达点云数据时，即可利用该静态雷达点云数据实现对各基站上的激光雷达的标定。因此，上述S1202中的“将各个基站的雷达点云数据与对应的地图点云数据进行匹配，得到激光雷达坐标系原点的位置坐标的匹配结果”，具体包括：将静态雷达点云数据与对应的地图点云数据进行匹配，得到激光雷达坐标系原点的位置坐标匹配结果。

服务器在基于上述步骤得到静态雷达点云数据时，可以将静态雷达点云数据中的特征和地图点云数据中的特征进行匹配，再通过分析匹配的特征得到激光雷达的位置标定；可选的，也可以将静态雷达点云数据中的点云和地图点云数据中的点云进行匹配，再通过分析匹配的点云得到激光雷达的位置标定。

在上述实施例所述的S1202的实现方式的基础上，本公开实施例还提供了上述“将静态雷达点云数据与对应的地图点云数据进行匹配，得到激光雷达坐标系原点的位置坐标匹配结果”的具体实施方法，如图11所示，该具体实施方法包括：包括：

S1207、提取静态雷达点云数据中的特征，得到第一特征集合；第一特征集合包括至少两个第一特征。

其中，静态雷达点云数据中的特征表示激光雷达扫描的周围环境中的静态物体，例如，特征可以是道路的边线，道路周围的标记物、树木、灯杆等。第一特征集合中包含的第一特征可以是从静态雷达点云数据中提取到的所有特征，也可以是提取到的部分特征。例如，提取静态雷达点云数据中的道路、道路旁的灯杆，对应的第一特征集合包括道路和道路旁的灯杆这两个第一特征。

具体地，服务器在获取到静态雷达点云数据时，可以通过现有的特征提取算法提取静态雷达点云数据中的所有特征，或者根据匹配需求提取静态雷达点云数据中的部分特征，从而得到提取出的至少两个特征，即包含至少两个第一特征的第一特征集合。上述特征提取算法可以选用神经网络特征提取算法，也可以选用其它特征提取算法，此处不做限定。

S1208、提取地图点云数据中的特征，得到第二特征集合。

其中，地图点云数据中的特征表示地图涉及区域范围内的物体，例如，第地图中的道路的边线，道路周围的标记物、树木、灯杆等。第二特征集合中包含的第二特征可以是从地图点云数据中提取到的所有特征，也可以是提取到的部分特征。例如，提取地图点云数据中的道路、道路旁的灯杆，对应的第二特征集合包括道路和道路旁的灯杆这两个第二特征。

具体地，服务器在获取到地图点云数据时，同时也可以相应的获取到该地图点云数据中的所有特征或部分特征；可选的，服务器也可以通过现有的特征提取算法提取地图点云数据中的所有特征，或者根据匹配需求提取地图点云数据中的部分特征，从而得到提取出的至少两个特征，即包含至少两个第二特征的第二特征集合。需要说明的是，第二特征集合中包含的第二特征的数量与第一特征的数量可以相同，也可以不相同。

S1209、将第一特征集合与第二特征集合进行匹配，得到激光雷达坐标系原点的位置坐标的匹配结果。

服务器在基于上述步骤得到第一特征集合与第二特征集合时，可以将第一特征集合中的各第一特征与第二特征集合中的各第二特征进行匹配，得到一组匹配的第一特征和第二特征，或多组匹配的第一特征和第二特征，进而通过分析匹配的第一特征和第二特征的相关信息，得到第一激光雷达的位置坐标的匹配结果。上述特征的相关信息可以是该特征的位置坐标、方向、大小、航向角等信息。

上述公开的实施例实现了基于静态雷达点云数据和地图点云数据中的匹配特征对激光雷达进行标定。其中由于地图点云数据中的特征是精确的特征，因此，使用高精度的特征对激光雷达进行标定，可以提高标定的准确性。而且，由于地图点云数据中的特征易于获取，不需要额外设备获取，相比于传统标定方法还需要额外定位设备进行定位的方法，本实施例所述的标定方法还可以降低标定成本，进而降低之后多基站的配准成本。

在一个实施例中，提供了上述S1209的具体实现方式，如图12所示，该方法包括：

S1210、获取第一特征集合中的两个第一特征之间的线段在雷达坐标系中的预设平面上的第一投影线段，得到第一投影线段与对应的坐标轴之间的第一投影夹角。

其中，雷达坐标系可以是直角坐标系。预设平面是雷达坐标系中任意两个坐标轴所在平面，例如，雷达坐标系的坐标轴包括：X轴、Y轴、Z轴，对应的预设平面包括：XY平面、YZ平面、XZ平面。

具体地，当服务器得到第一特征集合时，可以在该第一特征集合中选取任意两个第一特征，然后根据这两个第一特征的位置坐标，在雷达坐标系中将这两个第一特征连接起来，得到这两个第一特征之间的线段，然后将该线段投影到预设平面上，得到第一投影线段。再进一步的选取预设平面对应的坐标轴，得到该坐标轴与第一投影线段之间的第一投影夹角。例如，若上述预设平面为 XZ平面，则XZ平面对应的坐标轴为Z轴，相应的，两个第一特征在XZ平面上的第一投影线段与对应的Z轴之间的夹角即为第一投影夹角；若上述预设平面为YZ平面，则YZ平面对应的坐标轴为Y轴，相应的，两个第一特征在YZ 平面上的第一投影线段与对应的Y轴之间的夹角即为第一投影夹角；若上述预设平面为XY平面，则XY平面对应的坐标轴为X轴，相应的，两个第一特征在XY平面上的第一投影线段与对应的X轴之间的夹角即为第一投影夹角。

S1211、获取第二特征集合中的两个第二特征之间的线段在地理坐标系中的预设平面上的第二投影线段，得到第二投影线段与对应的坐标轴之间的第二投影夹角；第二特征集合中的两个第二特征的类型与第一特征集合中的两个第一特征的类型相同。

其中，预设平面是地理坐标系中任意两个坐标轴所在平面，例如，地理坐标系的坐标轴包括经度轴、纬度轴和海拔轴，对应的预设平面包括：经度平面、纬度平面和海拔平面。

具体地，当服务器得到第二特征集合时，可以在该第二特征集合中选取两个第二特征，然后根据这两个第二特征的位置坐标，在地理坐标系中将这两个第二特征连接起来，得到这两个第二特征之间的线段，然后将该线段投影到预设平面上，得到第二投影线段。再进一步的选取预设平面对应的坐标轴，得到该坐标轴与第二投影线段之间的第二投影夹角。例如，若上述预设平面为海拔平面，则海拔平面对应的坐标轴为海拔轴，相应的，两个第一特征在海拔平面上的第一投影线段与对应的海拔轴之间的夹角即为第一投影夹角；若上述预设平面为纬度平面，则纬度平面对应的坐标轴为纬度轴，相应的，两个第一特征在纬度平面上的第一投影线段与对应的纬度轴之间的夹角即为第一投影夹角；若上述预设平面为经度平面，则经度平面对应的坐标轴为经度轴，相应的，两个第一特征在经度平面上的第一投影线段与对应的经度轴之间的夹角即为第一投影夹角。需要说明的是，这里选取的两个第二特征的类型与上述第一特征集合中选取出的两个第一特征的类型相同，例如，如果选出的两个第一特征为道路和灯杆，则对应的，第二特征集合中的两个第二特征也为道路和灯杆。

S1212、将第一投影夹角与第二投影夹角进行差值运算，得到激光雷达坐标系原点的旋转角度。

其中，激光雷达坐标系原点的旋转角度包括：绕经度旋转角度、绕纬度旋转角度、绕海拔旋转角度。具体地，当基站基于上述步骤得到第一投影夹角与第二投影夹角时，进一步的将该第一投影夹角与该第二投影夹角进行差值运算，并将运算后的差值角度作为标定的激光雷达的旋转角度。上述两个第一特征之间的线段或两个第二特征之间的线段在各自的坐标系中的预设平面上进行投影时，投影的预设平面不同，预设平面对应的坐标轴不同，则对应不同的旋转角度。

例如，若雷达坐标系中的预设平面为XZ平面，则XZ平面对应的坐标轴为 Z轴，地理坐标系中的预设平面为海拔平面，海拔平面对应的坐标轴为海拔轴，激光雷达坐标系原点的旋转角度为绕纬度旋转角度；若雷达坐标系中的预设平面为YZ平面，则YZ平面对应的坐标轴为Y轴，地理坐标系中的预设平面为纬度平面，纬度平面对应的坐标轴为纬度轴，激光雷达坐标系原点的旋转角度为绕经度旋转角度；若雷达坐标系中的预设平面为XY平面，则XY平面对应的坐标轴为X轴，地理坐标系中的预设平面为经度平面，经度平面对应的坐标轴为经度轴，激光雷达坐标系原点的旋转角度为绕海拔旋转角度。

S1213、根据激光雷达坐标系原点的旋转角度、第一特征集合与第二特征集合，得到激光雷达坐标系原点的位置坐标的匹配结果。

本实施例中所述的激光雷达坐标系原点的位置坐标包括经度、纬度、海拔。具体地，当服务器在基于上述步骤得到激光雷达坐标系原点的旋转角度时，可以使用该激光雷达坐标系原点的旋转角度对第一特征集合中的特征的位置坐标进行修正，再将修正后的第一特征集合和第二特征集合进行匹配，得到一组匹配的第一特征和第二特征，或多组匹配的第一特征和第二特征，进而通过分析匹配的第一特征和第二特征的相关信息，得到激光雷达坐标系原点的位置坐标。

进一步地，在一个实施例中，提供了上述S1213的具体实施方式，如图13 所示，该方式包括：

S1214、将第一特征集合中的各第一特征与第二特征集合中的各第二特征进行匹配，得到属于相同类型的目标第一特征和目标第二特征。

具体地，服务器在基于上述步骤得到第一特征集合与第二特征集合时，可以从第一特征集合和第二特征集合中筛选出类型相同的第一特征和第二特征，并将筛选出来的第一特征作为目标第一特征，以及将筛选出来的第二特征作为目标第二特征。当然，在筛选时可以筛选出任意类型的特征，只要是筛选出的第一特征和第二特征的类型相同即可。例如，从第一特征集合中筛选出属于灯杆类型的第一特征，也在第二特征集合中筛选出属于灯杆类型的第二特征。

S1215、根据旋转角度的余弦函数的值对目标第一特征的位置坐标进行修正，得到修正后的目标第一特征的位置坐标。

本实施例涉及对目标第一特征的位置坐标进行修正的具体计算方法，具体地，可以将旋转角度代入如下关系式(1)进行计算，得到修正后的目标第一特征的位置坐标：

A'＝A×cos(θ) (1)；

上式中，A表示目标第一特征的位置坐标，可以代表目标第一特征的X坐标、Y坐标、Z坐标中的一个；A'表示修正后的目标第一特征的位置坐标，与A 对应。θ表示激光雷达坐标系原点的旋转角度；如果A表示X坐标，对应的θ就表示绕海拔旋转角度，对应的A'表示修正后的X坐标；如果A表示Y坐标，对应的θ就表示绕经度旋转角度，对应的A'表示修正后的Y坐标；如果A表示Z坐标，对应的θ就表示绕纬度旋转角度，对应的A'表示修正后的Z坐标。

S1216、根据修正后的目标第一特征的位置坐标和目标第二特征的位置坐标，确定激光雷达坐标系原点的位置坐标的匹配结果。

具体地，当服务器基于上述步骤对目标第一特征的位置坐标进行修正后，即可采用S1209所述的方法根据修正后的目标第一特征的位置坐标和目标第二特征的位置坐标确定激光雷达坐标系原点的位置坐标，进而得到激光雷达坐标系原点的位置坐标的匹配结果。具体方法参见前述S1209的说明，此处不赘述。

当上述激光雷达坐标系原点的位置坐标包括经度、纬度和海拔时，在基站执行上述S1216步骤时，具体根据修正后的目标第一特征的位置坐标中的X坐标和目标第二特征的位置坐标中的经度坐标，确定激光雷达坐标系原点的经度；根据修正后的所述目标第一特征的位置坐标中的Y坐标和目标第二特征的位置坐标中的纬度坐标，确定激光雷达坐标系原点的纬度；根据修正后的目标第一特征的位置坐标中的Z坐标和目标第二特征的位置坐标中的海拔坐标，确定激光雷达坐标系原点的海拔。上述经度、纬度、海拔各自的确定方法可以参见前述S1213的说明，此处不赘述。

上述方法通过修正后的目标第一特征的位置坐标和目标第二特征的位置坐标确定激光雷达坐标系原点的位置坐标，消除了激光雷达在非水平扫描情况下获取雷达点云数据的误差，进而提高了之后根据雷达点云数据标定激光雷达的准确性。

在实际应用中，当服务器根据雷达点云数据进行目标物体识别之前，需要去除雷达点云数据中属于非道路的背景数据，再进一步的对目标物体进行识别，以提高目标物体识别的准确性。但是目前去除点云数据中的背景数据的方法存在准确性低的问题。针对这一问题，本申请提供了一种确定目标感兴趣区域的方法，用于准确的确定目标感兴趣区域，以提高之后针对该目标感兴趣区域进行目标物体识别时的准确性。

即，上述S13为服务器确定目标感兴趣区域的过程，下述实施例详细描述了该过程，说明如下：(注明：服务器可以根据接收到的雷达点云数据确定目标感兴趣区域，基站也可以根据接收到的雷达点云数据确定目标感兴趣区域，且确定方法是相同的，当基站确定了目标感兴趣区域后，基站可以进一步的识别目标感兴趣区域中目标物体的特征信息，然后将特征信息发送给服务器，由服务器处理，下面实施例以服务器确定目标感兴趣区域为例进行说明)

在一个实施例中，提供了一种目标感兴趣区域的确定方法，如图14所示，该方法包括：

S1301、根据配准参数和激光雷达采集到的点云数据获取激光雷达的空间位置。配准参数为点云数据与第一地图配准得到的参数，第一地图为点云格式的预设精度的地图数据；预设精度大于预设精度阈值。

其中，预设精度阈值可以由基站根据实际识别精度要求确定。本实施例所述的第一地图的精度大于预设精度阈值，因此，当预设精度阈值较高时，第一地图为高精度的地图数据。激光雷达的空间位置表示激光雷达在地图数据坐标系下的空间位置，该空间位置可以包括激光雷达的经度、纬度、海拔等信息。

具体地，可以首先确定激光雷达在点云数据坐标系下的位置坐标，之后，利用将激光雷达采集到的点云数据与第一地图配准得到的配准参数，将该激光雷达在点云数据坐标系下的位置坐标转换至地图数据坐标系下，得到激光雷达的空间位置。

S1302、根据激光雷达的空间位置和激光雷达的扫描半径，确定激光雷达的扫描范围。

其中，激光雷达的扫描半径可以由基站预先根据识别需求确定，也可以根据激光雷达的性能确定。具体地，当基站得到激光雷达的空间位置时，即可以该空间位置为中心，激光雷达的扫描半径为半径，确定出激光雷达的扫描范围。例如，当激光雷达以360°进行扫描时，基站即可根据该激光雷达的空间位置和扫描半径确定出一个圆形区域的扫描范围。

S1303、根据激光雷达的扫描范围和第二地图中的目标区域，确定目标感兴趣区域；目标区域由第二地图的矢量数据确定；第二地图为矢量格式的地图数据。

其中，矢量格式的第二地图中包含诸如道路边线、道路中心线、斑马线的控件位置、斑马线的类型等物体的描述信息。基站可以从数据库中或通过其它方式得到精度大于预设精度阈值的地图数据，然后将该地图数据转换成矢量格式的第二地图，以便之后使用。可以理解的是，在将地图数据转换成点云格式的第一地图和矢量格式的第二地图时，保证第一地图和第二地图与地图数据的精度相同。目标区域包含表示诸如道路、斑马线、灯杆、道路标记物、车辆等的矢量数据。目标感兴趣区域为待识别区域。具体地，当基站基于前述步骤得到激光雷达的扫描范围和第二地图时，可以进一步的将第二地图中目标区域与激光雷达的扫描范围求交集，得到包含目标区域中所有矢量数据的目标感兴趣区域，基站也可以得到包含目标区域中部分矢量数据的目标感兴趣区域。可以理解的是，基站可以根据实际识别需求选取第二地图中目标区域定制适合的目标感兴趣区域。

上述目标区域的确定方法中，根据配准参数和激光雷达采集到的点云数据获取激光雷达的空间位置，并根据激光雷达的空间位置和激光雷达的扫描半径，确定激光雷达的扫描范围，再根据激光雷达的扫描范围和第二地图中的目标区域，确定目标感兴趣区域。其中，配准参数为点云数据与第一地图配准得到的参数，第一地图为点云格式的预设精度的地图数据，预设精度大于预设精度阈值目标区域由第二地图中的矢量数据确定，所述第二地图为矢量格式的所述地图数据。在上述方法中，由于第一地图为高精度的地图数据，因此，使用高精度的第一地图和点云数据进行配准得到激光雷达的扫描范围，可以提高扫描范围的准确性，进而可以提高根据扫描范围确定目标感兴趣区域的准确性。

在一个实施例中，提供了上述S1303的一种实现方式，如图15所示，上述 S1303“根据所述激光雷达的扫描范围和所述第二地图中的目标区域，确定目标感兴趣区域”，包括：

S1305、根据激光雷达的扫描范围，在第二地图上确定扫描范围轮廓。

当基站得到激光雷达的扫描范围时，可以进一步的根据该扫描范围在第二地图上对应的区域范围确定扫描范围轮廓，具体的，可以将扫描范围在第二地图上对应的区域范围的轮廓直接确定为扫描范围轮廓，可选的，也可以先对扫描范围在第二地图上对应的区域范围的轮廓进行修正，再将修正后的轮廓确定为扫描范围轮廓，可选的，还可以根据实际地理环境，将激光雷达的扫描范围缩小范围，再根据缩小范围后的激光雷达的扫描范围对应的区域范围确定扫描范围轮廓。例如，结合实际地理环境，发现激光雷达的扫描范围中包含无效区域范围，因此将该无效区域范围从激光雷达的扫描范围中去除，即将激光雷达的扫描范围缩小，缩小后的激光雷达的扫描范围包含有效区域范围。无效区域可以根据实际识别需求确定，例如，无效区域可以是包含属于山体、建筑物等物体数据的区域。

可选地，上述确定扫描范围轮廓的具体方法可以包括：以激光雷达的空间位置为中心，将扫描范围在第二地图上进行水平方向的投影，得到扫描范围轮廓。即，先将扫描范围在第二地图上进行水平方向的投影，得到投影区域最远点连成的轮廓，再将该轮廓确定为扫描范围轮廓。

S1306、将目标区域与扫描范围轮廓进行交集运算，得到目标感兴趣区域。

具体地，当基站确定了第二地图中的目标区域后，进一步的将该目标区域与前述得到的扫描范围轮廓直接进行交集运算，得到目标感兴趣区域。例如，如图16所示，若目标区域包含道路边线a和灯杆所占区域边线b，扫描范围轮廓为圆形轮廓c，则将该道路边线a和灯杆所占区域边线b，与扫描范围轮廓c 进行交集运算后，可以得到目标感兴趣区域d。

上述实施例通过将目标区域与扫描范围轮廓进行交集运算，得到目标感兴趣区域，由于目标区域包含待识别目标物体的矢量数据，因此，上述经过交集运算后得到的目标感兴趣区域中有效的去除了多余的非待识别目标物体的矢量数据，实现了包含待识别目标物体的目标感兴趣区域的提取。

在一个实施例中，提供了上述S1306的另一种实现方式，如图17所示，上述S1306“将目标区域与扫描范围轮廓进行交集运算，得到目标感兴趣区域”，包括：

S1307、从目标区域中包含的矢量数据中选取出目标矢量数据所在区域轮廓。

其中，目标矢量数据可以根据用户需求或识别需求确定，例如，需要识别目标区域内的道路，则对应的目标矢量数据即为表示道路的矢量数据。具体地，当基站根据识别需求或者用户需求确定了目标矢量数据所在区域轮廓时，从第二地图中得到的目标区域中选取出目标矢量数据所在区域轮廓，以便之后根据该目标矢量数据所在区域轮廓确定目标感兴趣区域。可选的，目标矢量数据可以包括表示机动车道路的矢量数据、人行道路的矢量数据、路侧标记物的矢量数据、车辆的矢量数据中的至少一种。

S1308、将目标矢量数据所在区域轮廓与扫描范围轮廓进行交集运算，得到目标感兴趣区域。

当基站基于前述步骤得到目标矢量数据所在区域轮廓时，即可直接将该目标矢量数据所在区域轮廓与扫描范围轮廓进行交集运算，得到目标感兴趣区域。例如，如图18所示，若目标矢量数据所在区域轮廓为道路边线L1，扫描范围轮廓为圆形轮廓L2，则将该道路边线L1与扫描范围轮廓L2进行交集运算后，可以得到目标感兴趣区域L3。

上述实施例所述的方法中，由于目标矢量数据可以由用户指定，因此本实施例提供的数据处理方法可以根据用户需求设定目标感兴趣区域，从而可以缩小之后识别目标物体时的识别范围，从而提高识别目标物体的准确性。

在一个实施例中，图14实施例所述的方法，如图19所示，还包括：

S1309、根据目标感兴趣区域，从激光雷达采集到的点云数据中提取目标感兴趣区域内的点云数据。

当基站基于前述实施得到目标感兴趣区域时，即可在激光雷达采集到的点云数据中提取出该目标感兴趣区域内包含的点云数据，具体的，基站可以采用现有的分割算法，从激光雷达采集到的点云数据中提取目标感兴趣区域内的点云数据。

S1310、根据目标感兴趣区域内的点云数据，识别目标感兴趣区域中的物体。

当基站得到目标感兴趣区域内的点云数据时，就可以采用现有的识别或分析算法基于该点云数据进行分析，从而得到该目标感兴趣区域中包含的物体的相关属性信息。由于通过前述实施所述的方法确定的目标感兴趣区域比较准确，因此该目标感兴趣区域中包含的数据均是有效的，避免了无效数据对基站识别目标感兴趣区域中物体时造成的干扰问题，进行提高了基站识别物体的准确性。同时，还减少了基站在物体识别的过程中对无效数据的识别过程，提高了基站识别物体的效率。

在实际应用中，当服务器(信息处理平台)对各基站对应的雷达扫描区域内的目标物体进行识别，得到目标物体的特征信息后，服务器通常会展示各基站对应的雷达扫描区域内的目标物体，但是在展示时通常会因为各基站对应的雷达扫描区域之间存在扫描盲区，导致服务器无法有效获取到扫描盲区中的目标物体，从而使服务器之后在同时展示各基站对应的雷达扫描区域中的目标物体时，出现展示不连续的问题，针对这一问题，本申请还提供了一种感知盲区的数据获取方法，可以解决存在空白区域导致特征信息不连续展示的问题。下面实施例详细描述该过程。

在一个实施例中，提供了一种感知盲区的数据获取方法，如图20所示，该方法包括：(注明：服务器在对目标物体进行识别后，可以进一步的对目标物体的特征信息进行处理，以在显示屏幕上展示出各基站对应感知区域内的目标物体的特征，可以被应用在导航、自动驾驶等领域。下面实施例以服务器为例进行说明)

S1401、判断在目标感兴趣区域中各基站对应的感知区域之间是否存在感知盲区；

其中，感知盲区为各基站上的激光雷达在扫描周围区域时感知区域之间存在的未能扫描到的区域。具体地，服务器先获取各基站对应的感知区域的范围和位置，进一步的根据各基站对应的感知区域的范围和位置，确定各雷达的感知区域之间是否存在扫描盲区，若存在，则将该扫描盲区的范围和位置确定为感知盲区的范围和位置。具体的，可以首先利用各个基站的配准参数将基站的感知区域的转换至同一坐标系下，之后根据各个基站在同一坐标系下所处的位置确定各基站对应的感知区域之间是否存在感知盲区。可选地，可以通过执行本申请上文中的步骤S1201-S1202获取各个基站的配准参数。具体可参见上文相关描述，在此不再赘述。

S1402、若各基站对应的感知区域之间存在空白区域，则识别各所述基站对应的感知区域内的目标物体的特征信息，并根据各基站的目标物体的特征信息，生成目标物体在感知盲区内的特征信息。

其中，目标物体表示待识别的物体，可以是一个待识别的物体，也可以是多个待识别的物体，此处不做限定。特征信息可以表示目标物体的尺寸、类型、位置、移动速度、航向角、移动方向等能够描述目标物体的信息，本实施例中的目标物体的特征信息表示基站或服务器根据激光雷达输出的点云数据识别出的目标物体的特征信息。

当服务器基于前述步骤确定了多个基站之间的感知盲区，以及得到各基站的目标物体的特征信息时，即可通过分析目标物体在各基站对应的感知区域内的特征信息，预测目标物体在感知盲区的特征信息；可选地，服务器也可以先选取目标物体在符合预设条件的感知区域内的特征信息，再通过分析目标物体在符合预设条件的感知区域内的特征信息，预测目标物体在感知盲区内的特征信息；上述预设条件可以由服务器预先确定，例如，预设条件可以是距离感知盲区最近的感知区域，也可以是包含移动的目标物体的感知区域。

上述感知盲区的数据获取方法中，服务器通过判断各基站对应的感知区域之间是否存在感知盲区，若存在，则根据各基站的目标物体的特征信息，预测目标物体在感知盲区内的特征信息。由于服务器根据各基站对应的感知区域内的目标物体的特征信息进行预测，而感知区域内的目标物体的特征信息是与实际场景对应的，因此，使用上述方法预测出的目标物体的特征信息更加符合实际环境信息，相比于传统的仅是在感知盲区内添加静态背景数据的方法，本实施例所述感知盲区的数据获取方法可以实现对目标物体更加准确的预测。

在一个实施例中，提供了上述S1402的具体实施方式，如图21所示，上述 S1402“根据各基站的目标物体的特征信息，生成目标物体在感知盲区内的特征信息”，包括：

S1403，从各基站的目标物体的特征信息中，提取目标区域内的目标物体的特征信息；目标区域为与感知盲区相邻的感知区域。

具体地，当服务器获取到多个基站对应的感知区域内的目标物体的特征信息，且这多个基站对应的感知区域之间存在感知盲区时，服务器可以进一步的确定与感知盲区相邻的感知区域，即目标区域，再从多个感知区域内的目标物体的特征信息中，提取出目标区域内的目标物体的特征信息，以便之后根据该目标区域内的目标物体的特征信息进行预测。

S1404，根据目标区域内的目标物体的特征信息，生成目标物体在感知盲区内的特征信息。

当服务器基于前述步骤得到目标区域内的目标物体的特征信息时，即可通过分析目标物体在该目标区域内的特征信息，预测目标物体在感知盲区内的特征信息。可选地，服务器也可以先选取目标物体在符合预设条件的目标区域内的特征信息，再通过分析目标物体在符合预设条件的目标区域内的特征信息，预测目标物体在感知盲区内的特征信息；上述预设条件可以由服务器预先确定，例如，预设条件可以是包含移动的目标区域。本实施例中，实现了根据目标区域内的目标物体的特征信息对感知盲区内的目标物体进行预测，而由于目标区域是与感知盲区相邻的感知区域，故目标区域内的目标物体的特征信息更加接近感知盲区内目标物体的特征信息，因此根据目标区域内的目标物体的特征信息预测空白区域内的目标物体的特征信息准确性更高。

进一步地，在一个实施例中，提供了上述S1404的具体实现方式，如图22 所示，上述S1404“根据目标区域内的目标物体的特征信息生成目标物体在感知盲区内的特征信息”，包括：

S1405、确定目标物体在感知盲区内是否存在上一时刻预测的特征信息；若目标物体在感知盲区内不存在上一时刻预测的特征信息，则执行步骤S1406，若目标物体在感知盲区内存在上一时刻预测的特征信息，则执行步骤S1407。

其中，上一时刻预测的特征信息是指服务器在上一时刻接收到多个基站发送的目标物体的特征信息或上一时刻识别出的目标物体的特征信息，且多个基站对应的感知区域之间存在感知盲区时，服务器对目标物体在感知盲区内的特征信息进行预测后得到的特征信息。本实施例所述的步骤是判断步骤，用于判断目标物体在感知盲区内是否存在上一时刻预测的特征信息，若判断的结果是目标物体在感知盲区内不存在上一时刻预测的特征信息，则说明上一时刻服务器没有对感知盲区内的目标物体进行预测，也就是说上一时刻没有目标物体移动到感知盲区内，那么上一时刻的目标物体就有可能正在向感知盲区移动，或者已经处于感知盲区的边界上。相应的，若判断的结果是目标物体在感知盲区内存在上一时刻预测的特征信息，则说明上一时刻服务器已经对感知盲区内的目标物体进行了预测，也就是说上一时刻有目标物体移动到感知盲区内，那么当前时刻的目标物体就有可能还在感知盲区内移动，或即将移动出感知盲区。后面步骤说明在上述两种判断结果下，服务器执行的不同操作。

S1406、根据目标区域内的目标物体的特征信息，预测生成当前时刻目标物体在感知盲区内的特征信息，并进行存储。

本实施例涉及的是服务器确定目标物体在感知盲区内不存在上一时刻预测的特征信息的情况，在该情况下，服务器在得到了目标区域内的目标物体的特征信息后，即可直接通过分析目标区域内的目标物体的特征信息，预测当前时刻目标物体在感知盲区内的特征信息，得到预测结果，并将预测结果进行存储，以便之后预测下一时刻的目标物体在感知盲区内的特征信息时使用。

S1407、根据目标区域内的目标物体的特征信息，确定是否需要预测当前时刻目标物体在感知盲区内的特征信息，若需要预测当前时刻目标物体在感知盲区内的特征信息，则执行步骤S1408，若不需要预测当前时刻目标物体在感知盲区内的特征信息，则执行步骤S1409。

本实施例涉及的是服务器确定目标物体在感知盲区内存在上一时刻预测的特征信息的情况，因为在该种情况下说明当前时刻的目标物体就有可能还在感知盲区内移动，或移动出感知盲区，那么如果是目标物体还在感知盲区内移动，则说明当前时刻的目标物体也在感知盲区内，那么当前时刻就需要服务器继续对目标物体在感知盲区的特征信息进行预测，如果是目标物体移动出感知盲区，那么当前时刻就不需要对目标物体在感知盲区的特征信息进行预测了，因为目标物体已经移动出感知盲区进入了基站对应的感知区域，不属于感知盲区，则服务器可以通过该基站上报的数据获取到目标物体的特征信息。

S1408、根据上一时刻预测的目标物体的特征信息，预测当前时刻目标物体在感知盲区内的特征信息，并进行存储。

本实施例涉及的服务器需要预测当前时刻目标物体在感知盲区内的特征信息的情况，在该情况下，服务器直接从已存储的信息中获取上一时刻预测的目标物体的特征信息，再通过分析该上一时刻预测的目标物体的特征信息，预测出当前时刻目标物体在感知盲区内的特征信息，并同时将预测出的特征信息存储下来，以便之后预测下一时刻目标物体在感知盲区内的特征信息时使用。例如，若目标物体是车辆时，服务器可以获取到上一时刻预测的车辆的速度和行驶方向，则服务器在预测当前时刻的车辆的行驶信息时，即可将该速度和行驶方向作为当前时刻预测出的车辆的速度和行驶方向。

S1409、停止预测。

本实施例涉及的服务器不需要预测当前时刻目标物体在空白区域内的特征信息的情况，在该情况下，服务器直接停止预测，即不对目标物体在空白区域内的特征信息进行预测了。

在一个实施例中，提供了上述S1406的具体实现方式，如图23所示，上述 S1406“根据目标区域内的目标物体的特征信息，预测生成当前时刻目标物体在感知盲区内的特征信息”，包括：

S1410、根据目标区域内的目标物体的特征信息，确定感知盲区的边界处是否存在目标物体；若感知盲区的边界处存在目标物体，则执行步骤S1411，若感知盲区的边界处不存在目标物体，则执行步骤S1412。

本实施例涉及的是上一时刻服务器没有对感知盲区内的目标物体进行预测的情况，在此情况下，说明上一时刻的目标物体就有可能正在向感知盲区移动，对应的当前时刻的目标物体不在感知盲区内，或者上一时刻的目标物体已经处于感知盲区的边界上，对应的当前时刻的目标物体进入了感知盲区内，因为可能存在这两种情况，所以需要服务器进一步的确定到底是哪种情况，以便之后根据不同的情况执行不同的预测操作。本实施例中，服务器通过判断感知盲区的边界处是否存在目标物体即可确定当前时刻的目标物体是否处于感知盲区内，若感知盲区的边界处存在目标物体，则说明当前时刻的目标物体处于感知盲区内，若感知盲区的边界处不存在目标物体，则说明当前时刻的目标物体没有处于感知盲区内。

S1411、根据感知盲区的边界处的目标物体的特征信息，预测当前时刻目标物体在感知盲区内的特征信息。

本实施例涉及服务器判断出感知盲区的边界处存在目标物体，即当前时刻的目标物体处于感知盲区内的情况，在此情况下，服务器从目标区域的目标物体的特征信息中，提取出感知盲区的边界处的目标物体的特征信息，然后根据该提取出的特征信息预测当前时刻目标物体在感知盲区内的特征信息。

S1412，从目标区域内选取预设的背景数据填充到当前时刻的感知盲区内。

其中，背景数据可以为只包含静态数据的数据，也可以是包含除目标物体以外的其它数据，本实施例涉及服务器判断出感知盲区的边界处不存在目标物体，即当前时刻的目标物体不在感知盲区内的情况，在此情况下，服务器可以先从目标区域中确定与感知盲区衔接的背景数据，例如，将感知盲区的边界延伸到目标区域时形成的区域内对应的背景数据。然后直接将该背景数据填充到当前时刻的感知盲区内，使感知盲区内就算不存在移动的目标物体，也可以包含有效数据。

本实施例所述的方法实现了无论感知盲区内是否包含移动的目标物体，都可以有效的预测出感知盲区内的数据，因此本方法适用于多种场景的数据预测，应用性较高。

在一个实施例中，提供了上述S1407的具体实现方式，如图24所示，上述 S1407“根据目标区域内的目标物体的特征信息，确定是否需要预测当前时刻目标物体在感知盲区内的特征信息”，包括：

S1413、根据目标区域内的目标物体的特征信息，确定目标区域内是否出现与上一时刻预测的特征信息对应的目标物体，若目标区域内未出现与上一时刻预测的特征信息对应的目标物体，则执行步骤S1414，若目标区域内出现与上一时刻预测的特征信息对应的目标物体，则执行步骤S1415。

本实施例涉及上一时刻服务器已经对感知盲区内的目标物体进行了预测的情况，在此情况下，说明上一时刻的目标物体在感知盲区内，那么当前时刻的目标物体就有可能还在感知盲区内移动，或者移动出感知盲区，因为可能存在这两种情况，所以需要服务器进一步的确定到底是哪种情况，以便之后根据不同的情况执行不同的预测操作。本实施例中，服务器通过判断目标区域内是否出现与上一时刻预测的特征信息对应的目标物体即可确定当前时刻的目标物体是否还处于感知盲区内。若目标区域内出现与上一时刻预测的特征信息对应的目标物体，则说明上一时刻的目标物体在当前时刻已经移动出感知盲区，进入了与感知盲区相邻的基站对应的感知区域；若目标区域内未出现与上一时刻预测的特征信息对应的目标物体，则说明上一时刻的目标物体在当前时刻还在感知盲区内移动。

S1414、确定需要预测当前时刻目标物体在感知盲区内的特征信息。

本实施例涉及服务器判断出目标区域内未出现与上一时刻预测的特征信息对应的目标物体的情况，在此情况下，服务器需要继续预测当前时刻目标物体在感知盲区内的特征信息。

S1415、确定不需要预测当前时刻目标物体在感知盲区内的特征信息。

本实施例涉及服务器判断出目标区域内出现与上一时刻预测的特征信息对应的目标物体的情况，在此情况下，服务器不需要预测当前时刻目标物体在感知盲区内的特征信息。

上述方法实现了服务器根据不同的应用场景对感知盲区内的特征信息进行预测的不同操作，进而实现了在有目标物体即将移动到感知盲区内时对目标物体的特征信息进行预测，以及在有目标物体正在感知盲区内移动时对目标物体的特征信息进行预测，以及在有目标物体移动出感知盲区时对目标物体的特征信息进行预测。由于考虑到了各种场景下的目标物体在感知盲区内的轨迹，故上述预测方法预测出的信息的准确性较高。

在实际应用中，当服务器(信息处理平台)对各基站对应的感知区域内的目标物体进行识别，得到目标物体的特征信息后，服务器通常会展示各基站对应的感知区域内的目标物体，但是在展示时通常会因为各基站对应的感知区域之间存在重叠区域，导致在后期展示目标物体时重复展示，致使展示效果差，针对这一问题，本申请还提供了一种数据处理方法，可以解决存在重叠区域导致目标物体的特征信息重复展示的问题。下面实施例详细描述该过程。

在一个实施例中，如图25所示，还提供了一种重叠区域的数据获取方法，以该方法应用于图1中的服务器为例进行说明，在图20实施例S1401步骤之后，所述方法还包括步骤：

S1416、判断在目标感兴趣区域中各基站对应的感知区域之间是否存在重叠区域。

具体地，服务器先获取各基站对应的感知区域的范围和位置，进一步的根据各基站对应的感知区域的范围和位置，确定各感知区域之间是否存在重叠或交叠的区域，若存在，则将该重叠或交叠的区域的范围和位置确定为重叠区域的范围和位置。具体的，可以首先利用各个基站的配准参数将基站的感知区域的转换至同一坐标系下，之后根据各个基站在同一坐标系下所处的位置确定各基站对应的感知区域之间是否存在重叠区域。可选地，可以通过执行本申请上文中的步骤S1201-S1202获取各个基站的配准参数。具体可参见上文相关描述，在此不再赘述。

S1417、若各基站对应的感知区域之间存在重叠区域，则识别各所述基站对应的感知区域内的目标物体的特征信息，根据各基站发送的目标物体的特征信息，对重叠区域中目标物体进行去重处理。

当服务器基于前述步骤确定了多个基站之间的重叠区域，以及得到各基站发送的目标物体的特征信息时，即可通过分析目标物体在各基站对应的感知区域内的特征信息，确定重叠区域中是否存在重复的目标物体，若存在重复的目标物体，则在重叠区域内保留一个目标物体，将其它重复的目标物体去除。

上述重叠区域的数据获取方法中，服务器通过判断各基站对应的感知区域之间是否存在重叠区域，若存在，则根据各基站发送的目标物体的特征信息，对重叠区域中目标物体进行去重处理。由于目标物体的特征信息包含了目标物体的各种特征的信息，因此基于目标物体的特征信息确定重叠区域内重复目标物体的方法可以提高去重的准确性。

在一个实施例中，提供了上述S702的具体实施方式，如图26所示，上述 S1417中的“根据各基站发送的目标物体的特征信息，对重叠区域中目标物体进行去重处理”，包括：

S1418、从各基站发送的目标物体的特征信息中提取出重叠区域中目标物体的特征信息。

具体地，当服务器获取到多个基站的目标物体的特征信息，且这多个基站对应的感知区域之间存在重叠区域时，服务器可以进一步的提取出重叠区域内的目标物体的特征信息，以便之后根据该重叠区域内的目标物体的特征信息判断是否存在重复的目标物体。

S1419、通过预设判定条件，根据重叠区域中目标物体的特征信息检测重叠区域内是否存在重复的目标物体。

其中，预设判定条件可以由服务器预先根据实际判定需求确定，例如，若目标物体的类型比较独特，则可以将目标物体是否属于相同类型作为预设判定条件。具体地，当服务器基于前述步骤得到重叠区域内的目标物体的特征信息时，可以进一步比较或分析重叠区域中各目标物体的特征信息，判断各目标物体的特征信息是否能够达到预设判定条件的要求，若存在能够达到预设判定条件的要求的目标物体，则确定达到预设判定条件的要求的目标物体属于重复的目标物体。若不存在能够达到预设判定条件的要求的目标物体，则确定重叠区域内不存在重复的目标物体。

S1420、若重叠区域内存在重复的目标物体，则对重叠区域中目标物体进行去重处理。

本实施例涉及的是服务器判断出重叠区域内存在重复的目标物体的情况，在此情况下，服务器直接执行对重叠区域中目标物体进行去重处理的操作。

可选地，上述目标物体的特征信息可以包括目标物体的中心点位置、目标物体的类型、目标物体的航向角。不同的特征信息可以对应不同的检测重叠区域内是否存在重复的目标物体的方法，下面实施例示例性说明四种检测方法。

第一种检测方法为：上述目标物体的特征信息可以包括目标物体的中心点位置，如图27所示，上述S1419“通过预设判定条件，根据重叠区域中目标物体的特征信息检测重叠区域内是否存在重复的目标物体”，包括：

S1421、计算重叠区域内的任意两个目标物体的中心点位置之间的距离。

当服务器得到重叠区域内目标物体的特征信息时，可以任意选择两个目标物体作为待确定目标物体，再从这两个目标物体的特征信息中提取出两个目标物体的中心点位置，然后计算这两个目标物体的中心点位置之间的距离。

S1422、判断距离是否小于预设距离阈值，若距离小于预设距离阈值，则执行步骤S1423，若距离大于或等于预设距离阈值，则执行步骤S1424。

其中，预设距离阈值可以由服务器根据识别精度确定。本实施例涉及的是服务器判断两个目标物体的中心点位置之间的距离是否小于预设距离阈值的判断步骤，若距离小于预设距离阈值，则说明这两个目标物体属于同一个目标物体的概率非常大；若距离大于或等于预设距离阈值，则说明这两个目标物体属于同一个目标物体的概率非常小。之后服务器根据不同的判断结果执行不同的操作。

S1423、确定两个目标物体是重复的目标物体。

本实施例涉及的是服务器判断出距离小于预设距离阈值的情况，在此情况下，服务器直接确定两个目标物体是重复的目标物体。

S1424、确定两个目标物体不是重复的目标物体。

本实施例涉及的是服务器判断出距离大于或成语预设距离阈值的情况，在此情况下，服务器直接确定两个目标物体不是重复的目标物体。

上述方法实现了服务器直接根据目标物体的中心点位置判定两个目标物体是否属于同一目标物体，该方法简单实用。

第二种检测方法为：上述目标物体的特征信息可以包括目标物体的中心点位置和目标物体的类型，如图28所示，上述S1419“通过预设判定条件，根据重叠区域中目标物体的特征信息检测重叠区域内是否存在重复的目标物体”，包括：

S1425、计算重叠区域内的任意两个目标物体的中心点位置之间的距离。

本步骤与前述S1421步骤所述的内容相同，详情参见前述说明，此处不赘述。

S1426、判断距离是否小于预设距离阈值，以及两个目标物体的类型是否一致，若距离小于预设距离阈值，且两个目标物体的类型一致，则执行步骤S1427，若距离和类型满足除“距离小于预设距离阈值，且两个目标物体的类型一致”以外的条件，则执行步骤S1428。

本实施例涉及的是服务器判断两个目标物体的中心点位置之间的距离是否小于预设距离阈值，同时两个目标物体的类型是否一致的判断步骤，一共有四种可能的应用场景，即距离小于预设距离阈值，且两个目标物体的类型一致；距离小于预设距离阈值，且两个目标物体的类型不一致；距离大于或等于预设距离阈值，且两个目标物体的类型一致；距离大于或等于预设距离阈值，且两个目标物体的类型不一致。服务器之后根据不同的可能的应用场景，执行不同的操作。若距离小于预设距离阈值，且两个目标物体的类型一致，则说明这两个目标物体属于同一个目标物体的概率非常大，此时判断两个目标物体属于同一目标物体是准确的；若距离和类型满足除“距离小于预设距离阈值，且两个目标物体的类型一致”以外的条件，则说明这两个目标物体属于同一个目标物体的概率非常小，此时判断两个目标物体不属于同一目标物体是准确的。

S1427、确定两个目标物体是重复的目标物体。

本实施例涉及的是服务器判断出距离小于预设距离阈值，且两个目标物体的类型一致的情况，在此情况下，服务器直接确定两个目标物体是重复的目标物体。

S1428、确定两个目标物体不是重复的目标物体。

本实施例涉及的是服务器判断出距离和类型满足除“距离小于预设距离阈值，且两个目标物体的类型一致”以外的条件的情况，在此情况下，服务器直接确定两个目标物体不是重复的目标物体。

上述方法实现了服务器根据目标物体的中心点位置和目标物体的类型两个条件叠加判定两个目标物体是否属于同一目标物体，更加准确。

第三种检测方法为：上述目标物体的特征信息可以包括目标物体的中心点位置和目标物体的航向角，如图29所示，上述S1419“通过预设判定条件，根据重叠区域中目标物体的特征信息检测重叠区域内是否存在重复的目标物体”，包括：

S1429、计算重叠区域内的任意两个目标物体的中心点位置之间的距离。

本步骤与前述S1421步骤所述的内容相同，详情参见前述说明，此处不赘述。

S1430、计算重叠区域内的两个目标物体的航向角之间的差值。

当服务器基于前述步骤计算得到两个目标物体的中心点位置之间的距离时，可以进一步的从这两个目标物体的特征信息中提取出两个目标物体的航向角，然后计算这两个目标物体的航向角之间的差值。

S1431、判断距离是否小于预设距离阈值，以及差值是否小于预设差值阈值，若距离小于预设距离阈值，且差值是否小于预设差值阈值，则执行步骤S1432，若距离和差值满足除“距离小于预设距离阈值，且差值是否小于预设差值阈值”以外的条件，则执行步骤S1433。

其中，预设差值阈值可以由服务器根据识别精度确定，例如，预设差值阈值可以是5°、6°、7°等不同的角度值，此处不做限定。本实施例涉及的是服务器判断两个目标物体的中心点位置之间的距离是否小于预设距离阈值，同时这两个目标物体的航向角之间的差值是否小于预设差值阈值的判断步骤，一共有四种可能的应用场景，即距离小于预设距离阈值，且两个目标物体的航向角之间的差值小于预设差值阈值；距离小于预设距离阈值，且两个目标物体的航向角之间的差值大于或等于预设差值阈值；距离大于或等于预设距离阈值，且两个目标物体的航向角之间的差值小于预设差值阈值；距离大于或等于预设距离阈值，且两个目标物体的航向角之间的差值大于或等于预设差值阈值。服务器之后根据不同的可能的应用场景，执行不同的操作。若距离小于预设距离阈值，且差值是否小于预设差值阈值，则说明这两个目标物体属于同一个目标物体的概率非常大，此时判断两个目标物体属于同一目标物体是准确的；若距离和差值满足除“距离小于预设距离阈值，且差值是否小于预设差值阈值”以外的条件，则说明这两个目标物体属于同一个目标物体的概率非常小，此时判断两个目标物体不属于同一目标物体是准确的。

S1432、确定两个目标物体是重复的目标物体。

本实施例涉及的是服务器判断出距离小于预设距离阈值，且差值小于预设差值阈值的情况，在此情况下，服务器直接确定两个目标物体是重复的目标物体。

S1433、确定两个目标物体不是重复的目标物体。

本实施例涉及的是服务器判断出距离和差值除“距离小于预设距离阈值，且差值是否小于预设差值阈值”以外的条件的情况，在此情况下，服务器直接确定两个目标物体不是重复的目标物体。

上述方法实现了服务器根据目标物体的中心点位置和目标物体的航向角两个条件叠加判定两个目标物体是否属于同一目标物体，更加准确。

第四种检测方法为：上述目标物体的特征信息可以包括目标物体的中心点位置、目标物体的类型和目标物体的航向角，如图30所示，上述S1419“通过预设判定条件，根据重叠区域中目标物体的特征信息检测重叠区域内是否存在重复的目标物体”，包括：

S1434、计算重叠区域内的任意两个目标物体的中心点位置之间的距离。

本步骤与前述S1419步骤所述的内容相同，详情参见前述说明，此处不赘述。

S1435、计算重叠区域内的两个目标物体的航向角之间的差值。

本步骤与前述S1430步骤所述的内容相同，详情参见前述说明，此处不赘述。

S1436、判断距离是否小于预设距离阈值，两个目标物体的类型是否一致，以及差值是否小于预设差值阈值，若距离小于预设距离阈值，且两个目标物体的类型一致和差值小于预设差值阈值，则执行步骤S1437，若距离、类型和差值满足除“距离小于预设距离阈值，且两个目标物体的类型一致和差值小于预设差值阈值”以外的条件，则执行步骤S1438。

本实施例涉及的是服务器判断两个目标物体的中心点位置之间的距离是否小于预设距离阈值，同时这两个目标物体的航向角之间的差值是否小于预设差值阈值，以及同时这两个目标物体的类型是否一致的判断步骤，一共有多种可能，这里不一一列举。

S1437、确定两个目标物体是重复的目标物体。

本实施例涉及的是服务器判断出距离小于预设距离阈值，且两个目标物体的类型一致和差值小于预设差值阈值的情况，在此情况下，服务器直接确定两个目标物体是重复的目标物体。

S1438、确定两个目标物体不是重复的目标物体。

本实施例涉及的是服务器判断出除“距离小于预设距离阈值，且两个目标物体的类型一致和差值小于预设差值阈值”以外的条件的情况，在此情况下，服务器直接确定两个目标物体不是重复的目标物体。

上述方法实现了服务器根据目标物体的中心点位置、目标物体的类型、目标物体的航向角三个条件叠加判定两个目标物体是否属于同一目标物体，更加准确。

在一个实施例中，还提供了一种数据处理方法，如图31所示，基于图20 和图25实施例所述的方法，在S1404的步骤之后，所述方法还包括：

S1439、展示各基站对应的感知区域和感知盲区内的目标物体的特征信息。

当服务器基于图20和图25实施例所述的方法得到各基站对应的感知区域内的目标物体的特征信息，以及根据各基站对应的感知区域内的目标物体的特征信息对存在重叠区域内的目标物体进行去重处理，或者根据各基站对应的感知区域内的目标物体的特征信息对感知盲区内的目标物体的特征信息进行预测后，本实施例所述的方法还可以进一步的将经过去重处理后的基站探测到的目标物体的特征信息，和预测出的在感知盲区内的特征信息展示在一个画面中。需要说明的是，服务器展示画面的频率可以和基站对应的激光雷达采集数据的频率相同，也可以不相同，例如，激光雷达采集数据的频率是10Hz/s，服务器展示画面的频率也可以是10Hz/s。

上述方法中，由于经过了去重处理，使得最终展示的画面中不存在因雷达扫描区域交叠而导致的目标物体重复展示的问题，而且由于感知盲区内展示了服务器预测的目标物体的特征信息，使得最终展示的画面中不存在不连续的问题，提高了画面展示的效果。

在一个实施例中，本申请还提供了一种目标检测方法，如图32所示，该方法包括：

S1601，获取激光雷达的点云数据和对应的高精度地图的矢量数据。

其中，激光雷达的点云数据是指通过激光雷达扫描，以点的形式记录的目标物体信息的数据，每一个点云数据都包含有三维坐标。高精度地图是指精度更高、数据维度更多的电子地图，精度更高体现在精确到厘米级别，数据维度更多体现在其包括了除道路信息之外的与交通相关的周围静态信息。高精度地图的矢量数据是指将大量的行车辅助信息存储为结构化的数据，这些信息可以分为两类，一类是道路数据，比如车道线的位置、类型、宽度、坡度和曲率等车道信息，另一类是车道周边的固定对象信息，比如交通标志、交通信号灯等信息、车道限高、下水道口、障碍物及其他道路细节。

具体地，服务器首先获取激光雷达的点云数据和对应的高精度地图的矢量数据。可选的，服务器可以从目标区域中安装的激光雷达中获取激光雷达的点云数据。可选的，服务器可以从高精度地图存储器中获取目标区域的高精度地图数据。可选的，高精度地图数据的矢量数据包括道路边线、道路中心线、道路方向线和斑马线中的至少一种。可选的，目标区域可以为十字路口，也可以为车辆行驶的道路。可选的，激光雷达可以包括8线激光雷达、16线激光雷达、 24线激光雷达、32线激光雷达、64线激光雷达、128线激光雷达等。

S1602，利用激光雷达的标定参数将点云数据的坐标转换至高精度地图的坐标系下，得到待检测点云数据。

其中，激光雷达的标定参数包括激光雷达坐标系原点的经度、纬度、海拔、绕经度旋转角度、绕纬度旋转角度、绕海拔旋转角度。具体地，服务器利用激光雷达的标定参数将点云数据的坐标转换至高精度地图的坐标系下，得到待检测点云数据。可选的，服务器可以利用激光雷达的标定参数将激光雷达的原点坐标转换至高精度地图的坐标系下，然后根据激光雷达的原点坐标在高精度地图的坐标系下的对应坐标，将点云数据的坐标转换至高精度地图的坐标系下，得到待检测点云数据。

S1603，对待检测点云数据进行目标检测，得到目标检测结果。

具体地，服务器对上述得到的待检测点云数据进行目标检测，得到目标检测结果。可选的，服务器可以利用预设的路侧感知检测算法对待检测点云数据进行目标检测，得到目标检测结果。可选的，目标物体可以是车，也可以是行人。可选的，目标检测结果可以包括目标物体的位置、目标物体的类型和目标物体的航向角等。

S1604，根据矢量数据和交通规则，判断目标检测结果是否存在异常。

具体地，服务器根据高精度地图的矢量数据和交通规则，判断上述目标检测结果是否存在异常。其中，高精度地图的矢量数据表示目标区域中的道路信息。可选的，高精度地图数据的矢量数据包括道路边线、道路中心线、道路方向线和斑马线中的至少一种。可以理解的是，由于激光雷达设备测距不准，激光雷达数据被移动物体遮挡严重，以及距离激光雷达较远的目标激光雷达数据较少等情况，将导致路侧感知算法对激光雷达数据存在检测不准确的问题，因此，需要对目标检测结果进行修正。示例性地，如目标检测结果为车在马路边线上，高精度地图数据的矢量数据为车在马路中央，则服务器将根据高精度地图数据的矢量数据和交通规则，确定车应位于马路中央，则服务器确定目标检测结果存在异常。

S1605，若目标检测结果存在异常，则利用矢量数据修正目标检测结果。

具体地，若服务器确定目标检测结果存在异常，则利用高精度地图的矢量数据修正上述目标检测结果。继续以上述目标检测结果为车在马路边线上，高精度地图数据的矢量数据为车在马路中央为例，则服务器利用高精度地图数据修正目标检测结果的过程为将车修正至马路中央。

上述目标检测方法中，利用激光雷达的外参能够将激光雷达的点云数据的坐标转换至高精度地图的坐标系下，得到待检测点云数据，从而能够对待检测点云数据进行目标检测，得到目标检测结果，进而能够通过高精度地图数据的矢量数据和交通规则，判断该目标检测结果是否存在异常，若目标检测结果存在异常，则能够利用高精度地图数据的矢量数据修正目标检测结果，由于高精度地图数据的矢量数据表示的是激光雷达的点云数据的目标区域中的道路信息，因此，可以根据高精地图数据的矢量数据对目标检测结果进行准确地修正，从而提高了得到的修正结果准确度。

在上述利用高精度地图数据的矢量数据修正目标检测结果的场景中，目标检测结果包括目标物体的位置。在一个实施例中，如图33所示，上述S1605，包括：

S1606，根据矢量数据确定道路位置。

具体地，服务器根据高精度地图数据的矢量数据确定道路位置。可选的，服务器可以根据高精度地图数据的矢量数据中的道路边线、道路中心线、道路方向线和斑马线中的至少一种，确定道路位置。例如，服务器可以根据高精度地图数据的矢量数据中的道路方向线确定道路位置。

S1607，根据目标物体的位置，判断目标物体是否在道路位置上。

具体地，服务器根据目标物体的位置，判断目标物体是否在道路位置上。可选的，服务器可以将目标物体的位置与道路位置进行比对，判断目标物体是否在道路位置上。例如，目标物体的位置为在道路边的草丛中，则服务器确定目标物体不在该道路位置上。

S1608，若否，则将目标物体的位置修正至道路位置上，得到修正后的目标检测结果。

具体地，服务器若判断得到目标物体不在道路位置上，则服务器将目标物体的位置修正至道路位置上，得到修正后的目标检测结果。可选的，服务器可以将目标物体平移至道路位置上，得到修正后的目标检测结果，也可以将路侧感知结果中的目标物体直接拖拽至道路位置上，得到修正后的目标检测结果。

本实施例中，服务器根据高精度地图数据的矢量数据能够准确地确定道路位置，进而能够根据目标物体的位置，准确地判断目标物体是否在道路位置上，从而可以根据目标物体是否在道路位置上，准确地将目标物体的位置修正至道路位置上，得到修正后的目标检测结果，提高了得到的修正后的目标检测结果的准确度。

在上述利用高精度地图数据的矢量数据修正目标检测结果的场景中，目标检测结果包括目标物体的位置和目标物体的类型。在一个实施例中，如图34所示，上述S1605，包括：

S1609，根据矢量数据确定道路位置。

具体地，服务器根据高精度地图数据的矢量数据确定道路位置。可选的，服务器可以根据高精度地图数据的矢量数据中的道路边线、道路中心线、道路方向线和斑马线中的至少一种，确定道路位置。例如，服务器可以根据高精度地图数据的矢量数据中的道路中心线确定道路位置。

S1610，根据目标物体的位置和道路位置，确定目标物体当前所在道路的道路类型。

具体地，服务器根据目标物体的位置和上述确定的道路位置，确定目标物体当前所在道路的道路类型。例如，目标物体为车，目标物体的位置为道路上，道路位置为道路中心线，则服务器确定目标物体当前所在道路的道路类型为机动车道。

S1611，根据物体类型和道路类型之间的对应关系，确定目标物体对应的目标道路类型。

具体地，服务器根据物体类型和道路类型之间的对应关系，确定目标物体对应的目标道路类型。示例性地，物体类型和道路之间的对应关系可以为：若物体类型为车，则道路类型为机动车道；若物体类型为行人，则道路类型为非机动车车道。那么，相应地，若目标物体为车，则服务器确定的目标物体对应的目标道路类型为机动车道。

S1612，若目标物体当前所在道路的道路类型与目标道路类型不一致，则将目标物体的类型修正为与道路类型匹配的类型，得到修正后的目标检测结果。

具体地，若服务器确定目标物体当前所在道路的道路类型与目标道路类型不一致，则将目标物体的类型修正为与目标物体当前所在道路的道路类型匹配的类型，得到修正后的目标检测结果。示例性地，若目标物体当前所在道路的道路类型为非机动车道，目标道路类型为机动车道，目标物体当前所在道路的道路类型与目标道路类型不一致，则服务器将目标物体的类型修正为与非机动车导匹配的类型，得到修正后的目标检测结果。

本实施例中，服务器根据高精度地图数据的矢量数据能够准确地确定道路位置，根据目标物体的位置和上述确定的道路位置，能够准确地确定目标物体当前所在道路的道路类型，从而可以根据物体类型和道路类型之间的对应关系，准确地确定目标物体对应的目标道路类型，这样，若目标物体当前所在道路的道路类型与目标道路类型不一致，服务器可以将目标物体的类型修正为与道路类型匹配的类型，准确地得到修正后的目标检测结果，提高了得到的修正后的目标检测结果的准确度。

在上述利用高精度地图数据的矢量数据修正目标检测结果的场景中，路侧感知结果包括目标物体的航向角。在一个实施例中，如图35所示，上述S1605，包括：

S1613，根据高精地图数据的矢量数据，得到在预设帧数内目标物体的航向角大于预设阈值的次数。

具体地，服务器根据高精度地图数据的矢量数据，得到在预设帧数内目标物体的航向角大于预设阈值的次数。可选的，预设帧数可以为十帧，预设阈值可以为45度，目标物体的航向角大于预设阈值的次数可以为两次或两次以上。

S1614，判断在预设帧数内目标物体的航向角大于预设阈值的次数是否大于预设的次数阈值。

具体地，服务器判断在上述预设帧数内目标物体的航向角大于预设阈值的次数是否大于预设的次数阈值。例如，预设的次数阈值为三次，在预设帧数内目标物体的航向角大于预设阈值的次数为四次，则服务器确定在上述预设帧数内目标物体的航向角大于预设阈值的次数大于预设的次数阈值。

S1615，若是，则对目标物体的航向角进行修正，得到修正后的目标检测结果。

具体地，若在预设帧数内目标物体的航向角大于预设阈值的次数大于预设的次数阈值，则服务器对目标物体的航向角进行修正，得到修正结果。可选的，服务器可以将目标物体的航向角修正为预设阈值，得到修正结果。

本实施例中，服务器根据高精度地图数据的矢量数据，能够准确地得到在预设帧数内目标物体的航向角大于预设阈值的次数，进而可以准确地判断出在预设帧数内目标物体的航向角大于预设阈值的次数是否大于预设的次数阈值，若在预设帧数内目标物体的航向角大于预设阈值的次数，则可以对目标物体的航向角进行准确地修正，得到准确地修正后的目标检测结果，提高了得到的修正后的目标检测结果的准确度。

在上述利用激光雷达的外参将点云数据的坐标转换至高精度地图的坐标系下，得到待检测点云数据的场景中，在一个实施例中，上述方法还包括：根据高精度地图的点云数据，对激光雷达的点云数据进行配准，得到配准后的点云数据。

具体地，服务器根据高精度地图的点云数据，对激光雷达的点云数据进行配准，得到配准后的点云数据。可选的，服务器可以将激光雷达的点云数据和高精度地图的点云数据进行配准，得到配准参数，根据配准参数，将激光雷达的点云数据转换到高精度地图的点云数据对应的坐标系下，得到配准后的点云数据。进一步地，服务器得到配准后的点云数据后，可以利用激光雷达的标定参数将配准后的点云数据的坐标转换至高精度地图的坐标系下，得到待检测点云数据。

本实施例中，服务器根据高精度地图的点云数据，能够对激光雷达的点云数据进行配准，得到配准后的点云数据，进而能够利用激光雷达的标定参数将配准后的点云数据的坐标转换至高精度地图的坐标系下，得到待检测点云数据，提高了得到的待检测点云数据的准确度。

在一个实施例中，本申请还提供了一种对激光雷达定位监测方法，本实施例以该方法应用于计算机设备进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括路侧雷达和服务器的***，并通过路侧雷达和服务器的交互实现。如图36所示，该方法包括以下步骤：

S1701、实时采集路侧雷达的实时点云数据，根据实时点云数据和标准点云数据，得到实时目标与标准目标之间的第一空间信息。

其中，标准点云数据为采用高精度地图得到的点云数据。实时目标为根据实时点云数据确定的目标对象，标准目标为根据标准点云数据确定的目标对象。

本实施例中，路侧雷达可以为激光雷达。

其中，实时点云数据包括路侧雷达在实时使用时，采集得到的路侧雷达覆盖区域内各静态目标的绝对位置。标准点云数据包括预先得到的保存为点云格式的路侧雷达覆盖区域对应的车道级别的高精度地图。点云格式的高精地图记录了实际路面上的每个静态目标对象的绝对位置。实时目标和标准目标用于指代覆盖区域内的静态目标对象，静态目标对象包括道路边线、道路周围的标志物、树木和灯杆等。

可选地，第一空间信息可用于表征路侧雷达实时使用时，实时目标与标准目标之间的位置关系，如实时目标相对标准目标的偏移角度、实时目标相对标准目标的偏移方向以及实时目标相对标准目标的偏移距离中的至少一个。

具体地，计算机设备获取路侧雷达实时采集得到的实时点云数据，对实时点云数据进行特征识别，得到实时目标，并对预存的标准点云数据进行特征识别，得到标准目标，匹配得到指代同一静态目标对象的实时目标与标准目标之间的第一空间信息。

S1702、将第一空间信息与初始得到的第二空间信息进行比较。

其中，第二空间信息为根据初始采集的路侧雷达的初始点云数据和标准点云数据得到的初始目标与标准目标之间的空间信息。

其中，初始点云数据包括路侧雷达在初次使用时，采集得到的路侧雷达覆盖区域内各静态目标对象相对于路侧雷达自身的距离信息。初始目标为根据标准点云数据确定的目标对象，本实施例中用于指代覆盖区域内的静态目标对象。

可选地，第二空间信息可用于表征在路侧雷达在初次使用时，初始目标与标准目标之间的位置关系，如初始目标相对标准目标的偏移角度、初始目标相对标准目标的偏移方向以及初始目标相对标准目标的偏移距离中的至少一个。

其中，第一空间信息与第二空间信息中包括相同类型的信息。例如，第一空间信息中包括实时目标相对标准目标的偏移角度，则第二空间信息中也包括初始目标相对标准目标的偏移角度。

S1703、根据第一空间信息与第二空间信息的比较结果确定路侧雷达是否定位异常。

具体地，计算机设备将实时在实时使用时得到的实时目标与标准目标之间的第一空间信息，与路侧雷达在初次使用时得到的初始目标与标准目标之间的第二空间信息进行比较，并根据比较结果确定路侧雷达随着使用时间的增加，定位是否发生变化，所导致的定位异常。

本实施例中，计算机设备以标准点云数据为根本依据，根据实时采集得到的实时点云数据和标准点云数据得到实时目标与标准目标之间的第一空间信息，并根据初始采集得到的初始点云数据和标准点云数据得到初始目标与标准目标之间的第二空间信息，比较第一空间信息和第二空间信息，根据比较结果确定路侧雷达实时的定位相对于初次的定位之间是否发生变化，以实现对路侧雷达定位效果的实时检测，及时发现路侧雷达是否定位异常，提高了路侧雷达定位监测的效率。

在一个实施例中，实时进行路侧雷达的定位监测前，需预先获取路侧雷达在初次使用时的第二空间信息，如图37所示，在S1701之前，上述路侧雷达定位监测方法还包括：

S1704、获取初始点云数据，对初始点云数据进行特征识别，得到初始目标，并获取初始目标之间的相对位置关系。

S1705、对标准点云数据进行特征识别，得到标准目标。

具体地，计算机设备获取路侧雷达在初次使用时采集得到的覆盖区域内的初始点云数据，对初始点云数据进行特征识别，得到初始目标，根据每一初始目标的几何中心相对于路侧雷达的位置确定初始目标之间的相对位置关系，并对预先储存的相同覆盖区域的标准点云数据进行特征识别，得到标准目标。。

S1706、将初始目标和标准目标进行特征匹配，得到匹配的初始目标和标准目标之间的对应关系。

S1707、获取与初始目标中的路侧雷达原点匹配的标准目标的绝对位置，并根据初始目标之间的相对位置关系，得到初始目标的绝对位置。

其中，路侧雷达原点为设置路侧雷达的位置。初始目标中包括路侧雷达原点。绝对位置包括绝对位置坐标，如经纬度坐标，还可以包括海拔、东西向旋转、南北向旋转或者垂直方向旋转。

本实施例中，上述绝对位置坐标为静态目标中心点的绝对位置坐标。

具体地，计算机设备将初始目标和标准目标进行特征匹配，得到匹配的初始目标和标准目标，以及匹配的初始目标和标准目标之间的对应关系。并获取与初始目标中的路侧雷达原点匹配的标准目标的绝对位置。图38为根据初始点云图得到的初始目标，M为路侧雷达原点，m为除过路侧雷达原点M外剩余的初始目标，每一初始目标m距离路侧雷达原点M的距离l，以及相对于距离路侧雷达原点M的偏移角度α。计算机设备将初始目标和标准目标进行特征匹配后，得到与路侧雷达原点匹配的标准目标的绝对位置，如经纬度坐标。计算机设备再根据上述每一初始目标m距离路侧雷达原点M的距离l和偏移角度α，得到每一初始目标m的绝对位置。

S1708、根据初始目标的绝对位置和与初始目标匹配的标准目标的绝对位置，得到匹配的所述初始目标与所述标准目标之间的第二空间信息。

具体地，计算机设备获取匹配的初始目标和标准目标绝对位置之间的距离，作为第二空间信息。

其中，在初始目标的绝对位置为经纬度坐标时，初始目标与标准目标之间的第二空间信息即为初始目标的经纬度坐标与对应标准目标之间的经纬度坐标的距离。

本实施例中，计算机设备在路侧雷达初次使用时，对采集得到的初始点云数据和预存的标准点云数据进行特征识别，分别得到初始目标和标准目标，采用特征匹配的方式得到匹配的初始目标和标准目标之间的对应关系，以及初始目标中路侧雷达原点的绝对位置，结合初始目标之间的相对位置关系得到每一初始目标的绝对位置，以在路侧雷达初次使用时，由匹配的初始目标和标准目标的绝对位置确定初始目标和标准目标之间的第二空间信息。初次使用的路侧雷达定位准确，通过第二空间信息可准确反应路侧雷达定位准确时，与标准目标之间的差异，将该差异作为参考标准，可有效监测路侧雷达在后续实时定位时是否定位异常，提高了定位监测的准确性。

在一个实施例中，在实时进行路侧雷达的定位监测时，需根据路侧雷达采集得到的实时点云数据得到第一空间信息，如图39所示，S1701包括：

S1709、获取实时点云数据，对实时点云数据进行特征识别，得到实时目标，并获取实时目标之间的相对位置关系。具体地，路侧雷达可以自身的位置为中心，对周围进行360°的扫描，形成该路侧雷达对应的覆盖区域，并采集得到覆盖区域的实时点云数据。计算机设备获取路侧雷达在实时使用时采集得到的覆盖区域内的实时点云数据，对实时点云数据进行特征识别，得到实时目标，根据每一实时目标的几何中心相对于路侧雷达的位置确定实时目标之间的相对位置关系。

S1710、获取与实时目标中的路侧雷达原点匹配的标准目标的绝对位置，并根据实时目标之间的相对位置关系，得到实时目标的绝对位置。

具体地，计算机设备获取与实时目标中的路侧雷达原点匹配的标准目标的绝对位置，结合实时目标之间的相对位置关系，得到每一实时目标的绝对位置。

S1711、根据匹配的初始目标和标准目标之间的对应关系，获取与实时目标匹配的标准目标的绝对位置。

其中，实时目标与初始目标以及标准目标所指代的静态目标一一对应。

S1712、根据实时目标的绝对位置和与实时目标匹配的标准目标的绝对位置，得到匹配的实时目标和标准目标之间的第一空间信息。

具体地，计算机设备根据匹配的初始目标和标准目标之间的对应关系，结合实时目标与初始目标一一对应，获取与实时目标匹配的标准目标的绝对位置，并获取匹配的实时目标和标准目标绝对位置之间的距离，作为第一空间信息。

其中，在第二空间信息为初始目标的经纬度坐标与对应匹配的标准目标之间的经纬度坐标的距离，第一空间信息也即为实时目标的经纬度坐标与对应匹配的标准目标之间的经纬坐标的距离。

本实施例中，计算机设备在路侧雷达初次使用之后，对采集得到的实时点云数据进行特征识别，得到实时目标，根据初始目标和标准目标之间的对应关系，确定实时目标中路侧雷达原点的绝对位置，结合实时目标之间的相对位置关系得到每一实时目标的绝对位置，在后续使用路侧雷达的过程中，由匹配的实时目标和标准目标的绝对位置确定时目标和标准目标之间的第一空间信息。第一空间信息可反应实时得到的实时目标与标准目标之间空间位置上的实时差异，以此精确监测路侧雷达的实时定位情况。

在一个实施例中，通过比较初次使用路侧雷达时得到的第二空间信息与初次使用之后，实时使用路侧雷达得到的第一空间信息，以确定路侧雷达是否定位异常，如图40所示，S1703包括：

S1713、获取第二空间信息和第一空间信息之间的差值。

S1714、根据差值判断路侧雷达是否定位异常。

具体地，计算机设备获取同一静态目标的第二空间信息和第一空间信息之间的差值，可根据该差值是否大于预设差值来判断路侧雷达是否定位异常。若得到的差值大于预设差值，则该路侧雷达定位异常；若得到的差值小于等于预设差值，则该路侧雷达定位正常。

可选地，计算机设备可获取静态目标对应的第二空间信息和第一空间信息之间的差值的平均值或者最大值，根据该差值的平均值或者最大值是否大于预设差值来判断路侧雷达是否定位异常。

本实施例中，计算机设备获取路侧雷达初次使用时得到的初始目标与标准目标之间的第二空间信息，和路侧雷达在初次使用之后的实时使用中，得到的实时目标与标准目标之间的第一空间信息的差值，通过该差值量化的反应路侧雷达在初次使用时和后续实时使用时的定位变化，以提高路侧雷达定位监测的精准性。

在一个实施例中，为了进一步提高路侧雷达定位监测的精准性，如图41所示，S1714包括：

S1715、获取差值与第二空间信息的比值。

S1716、判断比值是否满足预设范围。

若是，则确定路侧雷达定位正常。

若否，则确定路侧雷达定位异常。

具体地，计算机设备通过获取上述差值与第二空间信息的比值，判断该比值是否满足预设范围，来确定路侧雷达是否定位异常。例如，第二空间信息为路侧雷达初次使用时，得到的初始目标与标准目标之间的初始距离，第一空间信息为路侧雷达在后续实时使用时，得到的实时目标与标准目标之间的实时距离，第一空间信息与第二空间信息的差值即为初始距离与实时距离之间的距离偏差。路侧雷达将该距离偏差比上初始距离，判断该距离偏差比上初始距离到的比值是否满足预设范围2％。若得到的比值在预设范围2％以内，即小于等于 2％，则确定路侧雷达定位正常；若得到的比值超出预设范围2％，即大于2％，则确定路侧雷达定位异常。

本实施例中，计算机设备进一步获取上述第一空间信息与第二空间信息的差值与第二空间信息的比值，通过判断该比值是否满足预设范围来确定路侧雷达是否发生测距异常、转速变慢或者丢点等问题所导致的定位异常。通过比值判断的方式相可提高整个定位监测方法的适用性，进一步提高了路侧雷达定位监测的精准性。

在一个实施例中，在确定路侧雷达定位异常后，上述路侧雷达定位监测方法还包括：

若路侧雷达定位异常，发送异常报警指令至控制平台。

其中，异常报警指令中包括定位异常的路侧雷达的雷达编号。

具体地，若路侧雷达定位异常，则获取自身的雷达编号，生成包括自身的雷达编号的异常报警信息，并将该异常报警信息发送至控制平台。

本实施例中，计算机设备在确定路侧雷达定位异常后，进一步向控制平台发送异常报警信息，以使相关工作人员通过控制平台及时得知定位异常的路侧雷达编号，便于对定位异常的路侧雷达进行针对性维护，提高了路侧雷达的维护效率。

应该理解的是，虽然图2-41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2-41中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的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，如图42所示，提供了一种目标区域的确定装置，包括：保存模块11、配准模块12和确定模块13，其中：

保存模块11，用于将预设精度的地图数据保存为点云格式的第一地图和矢量格式的第二地图；所述预设精度大于预设精度阈值；

配准模块12，用于将所述激光雷达采集到的点云数据与所述第一地图配准，确定所述激光雷达的扫描范围，并根据所述激光雷达的空间位置和所述激光雷达的扫描半径，确定所述激光雷达的扫描范围；

确定模块13，用于根据所述激光雷达的扫描范围和所述第二地图中的元素属性，确定目标感兴趣区域；所述元素属性表示在所述第二地图的前景区域中的物体属性。

关于目标区域的确定装置的具体限定可以参见上文中对于目标区域的确定方法的限定，在此不再赘述。上述目标区域的确定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电子设备中的存储器中，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，该计算机设备可以是终端，其内部结构图可以如图43所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。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***和计算机程序。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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标区域的确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图43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，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

将预设精度的地图数据保存为点云格式的第一地图和矢量格式的第二地图；所述预设精度大于预设精度阈值；

将所述激光雷达采集到的点云数据与所述第一地图配准，确定所述激光雷达的扫描范围；

根据所述激光雷达的扫描范围和所述第二地图中的元素属性，确定目标感兴趣区域；所述元素属性表示在所述第二地图的前景区域中的物体属性。上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读的存储介质，其上存储有计算机程序，计算机程序被处理器执行时还实现以下步骤：

将预设精度的地图数据保存为点云格式的第一地图和矢量格式的第二地图；所述预设精度大于预设精度阈值；

将所述激光雷达采集到的点云数据与所述第一地图配准，确定所述激光雷达的扫描范围；

根据所述激光雷达的扫描范围和所述第二地图中的元素属性，确定目标感兴趣区域；所述元素属性表示在所述第二地图的前景区域中的物体属性。上述实施例提供的一种计算机可读的存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

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，本公开实施例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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory， ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器 (Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限， RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory， DRAM)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公开实施例的几种实施方式，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，在不脱离本公开实施例构思的前提下，还可以做出若干变形和改进，这些都属于本公开实施例的保护范围。因此，本公开实施例专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种目标区域的确定方法，其特征在于，所述方法包括：

根据配准参数和激光雷达采集到的点云数据获取激光雷达的空间位置；所述配准参数为所述点云数据与第一地图配准得到的参数；所述第一地图为点云格式的预设精度的地图数据；所述预设精度大于预设精度阈值；

根据所述激光雷达的空间位置和所述激光雷达的扫描半径，确定所述激光雷达的扫描范围；

根据所述激光雷达的扫描范围和所述第二地图中的目标区域，确定目标感兴趣区域；所述目标区域由所述第二地图中的矢量数据确定；所述第二地图为矢量格式的所述地图数据。

2.根据权利要求1所述的方法，其特征在于，所述根据所述激光雷达的扫描范围和所述第二地图中的目标区域，确定目标感兴趣区域，包括：

根据所述激光雷达的扫描范围，在所述第二地图上确定扫描范围轮廓；

将所述目标区域与所述扫描范围轮廓进行交集运算，得到所述目标感兴趣区域。

3.根据权利要求2所述的方法，其特征在于，所述根据所述激光雷达的扫描范围，在所述第二地图上确定扫描范围轮廓，包括：

以所述激光雷达的空间位置为中心，将所述扫描范围在所述第二地图上进行水平方向的投影，得到所述扫描范围轮廓。

4.根据权利要求2所述的方法，其特征在于，所述将所述目标区域与所述扫描范围轮廓进行交集运算，得到所述目标感兴趣区域，包括：

从所述目标区域中包含的矢量数据中选取出目标矢量数据所在区域轮廓；

将所述目标矢量数据所在区域轮廓与所述扫描范围轮廓进行交集运算，得到所述目标感兴趣区域。

5.根据权利要求4所述的方法，其特征在于，所述目标矢量数据包括表示机动车道路的矢量数据、人行道路的矢量数据、路侧标记物的矢量数据、车辆的矢量数据中的至少一种。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述目标感兴趣区域，从所述激光雷达采集到的点云数据中提取所述目标感兴趣区域内的点云数据；

根据所述目标感兴趣区域内的点云数据，识别所述目标感兴趣区域中的物体。

7.根据权利要求6所述的方法，其特征在于，所述根据所述目标感兴趣区域内的点云数据，识别所述目标感兴趣区域中的物体，包括：

对所述目标感兴趣区域内的点云数据进行特征提取，得到目标特征；

将所述目标特征输入至预设的识别网络中进行识别，得到所述目标感兴趣区域中的物体的属性信息。

8.一种目标区域的确定装置，其特征在于，所述装置包括：

获取模块，用于根据配准参数和激光雷达采集到的点云数据获取激光雷达的空间位置；所述配准参数为所述点云数据与第一地图配准得到的参数；所述第一地图为点云格式的预设精度的地图数据；所述预设精度大于预设精度阈值；

第一确定模块，用于根据所述激光雷达的空间位置和所述激光雷达的扫描半径，确定所述激光雷达的扫描范围；

第二确定模块，用于根据所述激光雷达的扫描范围和所述第二地图中的目标区域，确定目标感兴趣区域；所述目标区域由所述第二地图中的矢量数据确定；所述第二地图为矢量格式的所述地图数据。

9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，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7中任一项所述的方法的步骤。

10.一种存储介质，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7中任一项所述的方法的步骤。

Images