CN114863108B - 点云处理的方法、***、电子设备及计算机可读存储介质 - Google Patents

点云处理的方法、***、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114863108B
CN114863108B CN202210573918.XA CN202210573918A CN114863108B CN 114863108 B CN114863108 B CN 114863108B CN 202210573918 A CN202210573918 A CN 202210573918A CN 114863108 B CN114863108 B CN 114863108B
Authority
CN
China
Prior art keywords
point cloud
feature
target
grid
points
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.)
Active
Application number
CN202210573918.XA
Other languages
English (en)
Other versions
CN114863108A (zh
Inventor
李宇帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hozon New Energy Automobile Co Ltd
Original Assignee
Hozon New Energy Automobile Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hozon New Energy Automobile Co Ltd filed Critical Hozon New Energy Automobile Co Ltd
Priority to CN202210573918.XA priority Critical patent/CN114863108B/zh
Publication of CN114863108A publication Critical patent/CN114863108A/zh
Application granted granted Critical
Publication of CN114863108B publication Critical patent/CN114863108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了这样一种点云处理的方法、***、电子设备及计算机可读存储介质，可包括对点云进行栅格化处理，获得多个栅格，其中点云是激光点的集合，栅格包含多个激光点；在栅格的多个激光点中筛选用于表征栅格的属性的多个特征点；确定特征点的目标特征集；利用多层感知机对目标特征集进行分析，输出特征分值；以及基于特征分值，确定栅格的目标类别。通过在相邻栅格的共享权重值的基础上对栅格的权重系数进行调整，提高了栅格之间的关联，使得对点云的目标分割更准确，适用于复杂场景的点云分割。

Description

点云处理的方法、***、电子设备及计算机可读存储介质
技术领域
本申请涉及计算机视觉技术领域，特别涉及一种点云处理的方法、***、电子设备及计算机可读存储介质。
背景技术
激光雷达是以发射激光束探测目标的位置、速度等特征量的雷达***，具有高精度和高效率特点，因此在自动驾驶过程，通常采用激光雷达探测目标信息。激光雷达发射的激光束会在目标上以点云的方式呈现出来，通过对点云数据进行处理，即可获得目标信息。目前，对点云数据的处理方式主要有三种，其中第一种方式：不对点云进行特殊处理，由于点云数据通常包含四个维度的特征，在自动驾驶领域，采用神经网络最原始的方式，直接利用神经网络上采样和下采样的策略，按照空间特征对点云数据的特征进行提取；第二种方式：对点云进行投影，将点云从3D投影至2D平面，从而减少一个数据维度，便于快速产出成果；第三种方式：基于点云的特殊性质，采用体素划分，将点云划分成多个立方体，以使得信息能够充分使用。
但是，上述对点云数据处理的第一种方式由于特征提取不充分，以致准确率相对较低；第二种方式由于改变了自动驾驶的实际应用中的原有投影方式，将其从x轴的投影转换成z轴的投影，投影方式的变化会导致点云数据的折损，以致信息丢失；第三种方式，常规的体素划分方式保留了过多的细节信息，必然会导致网络推理和运算速度的下降，而且由于激光雷达的安装角度问题，还会存在多截断现象，导致目标信息探测的准确率较低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请的一个目的在于提出一种具有保证点云处理速度和准确度的优点的点云处理的方法、***、电子设备及计算机可读存储介质。
本申请的一个方面提供了这样一种点云处理的方法，可包括：对点云进行栅格化处理，获得多个栅格，其中点云是激光点的集合，栅格包含多个激光点；在栅格的多个激光点中筛选用于表征栅格的属性的多个特征点；确定特征点的目标特征集；利用多层感知机对目标特征集进行分析，输出特征分值；以及基于特征分值，确定栅格的目标类别。
在一些实施方式中，确定所述特征点的目标特征集，可包括：采集特征点的原始特征，其中原始特征包括特征点的三维位置坐标和反射值；提取特征点的栅格特征，其中栅格特征用于表征特征点在栅格中的位置属性；将原始特征和栅格特征进行整合，获得特征点的初始特征集；对初始特征集赋予初始权重系数；以及由权重调整模型对初始权重系数进行分析处理，获得目标权重系数，并将目标权重系数和初始特征集进行整合，获得目标特征集。
在一些实施方式中，提取特征点的栅格特征可包括：对栅格中的全部特征点的三维位置坐标进行求均值处理，获得均值点坐标；计算特征点的三维位置坐标与均值点坐标的差值，获得差值坐标；采集栅格的中心点的二维位置坐标；以及将均值点坐标、差值坐标以及中心点的二维位置坐标进行整合，获得特征点的栅格特征。
在一些实施方式中，在由权重调整模型对初始权重系数进行分析处理，获得目标权重系数，并将目标权重系数和初始特征集进行整合，获得目标特征集之前，还可包括：获取栅格的相邻栅格分享的共享权重值，共享权重值为权重调整模型提供权重系数的调整依据。
在一些实施方式中，基于特征分值，确定栅格的目标类别，可包括：对各个特征点的特征分值进行排序；筛选出最高特征分值；以及确定最高分值对应的分割类别，将分割类别作为栅格的目标类别。
在一些实施方式中，在对点云进行栅格化处理，获得多个栅格，其中点云是激光点的集合，栅格包含多个激光点之前，可包括：利用空间变换网络对点云的原始位姿进行调整，获得点云的目标位姿。
在一些实施方式中，在基于特征分值，确定栅格的目标类别之后，还可包括：将具有相同的目标类别的栅格进行分割。
本申请另一个方面还提供了这样一种点云处理的***，可包括：栅格划分模块、特征点确定模块、目标特征集生成模块、特征分值获取模块以及目标类别确定模块。栅格划分模块用于对点云进行栅格化处理，获得多个栅格，其中点云是激光点的集合，栅格包含多个激光点；特征点确定模块用于在栅格的多个激光点中确定用于表征栅格的属性的多个特征点；目标特征集生成模块用于确定特征点的目标特征集；特征分值获取模块用于利用多层感知机对目标特征集进行分析，输出特征分值；以及目标类别确定模块用于基于所述特征分值，确定栅格的目标类别。
在一些实施方式中，目标特征集生成模块的执行步骤可包括：采集特征点的原始特征，其中原始特征包括特征点的三维位置坐标和反射值；提取特征点的栅格特征，其中栅格特征用于表征特征点在栅格中的位置属性；将原始特征和栅格特征进行整合，获得特征点的初始特征集；对初始特征集赋予初始权重系数；以及由权重调整模型对初始权重系数进行分析处理，获得目标权重系数，并将目标权重系数和初始特征集进行整合，获得目标特征集。
在一些实施方式中，提取特征点的栅格特征可包括：对栅格中的全部特征点的三维位置坐标进行求均值处理，获得均值点坐标；计算特征点的三维位置坐标与均值点坐标的差值，获得差值坐标；采集栅格的中心点的二维位置坐标；以及将均值点坐标、差值坐标以及中心点的二维位置坐标进行整合，获得特征点的栅格特征。
在一些实施方式中，在由权重调整模型对初始权重系数进行分析处理，获得目标权重系数，并将目标权重系数和初始特征集进行整合，获得目标特征集之前，还可包括：获取栅格的相邻栅格分享的共享权重值，共享权重值为权重调整模型提供权重系数的调整依据。
在一些实施方式中，目标类别确定模块的执行步骤可包括：对各个特征点的特征分值进行排序；筛选出最高特征分值；以及确定最高分值对应的分割类别，将分割类别作为栅格的目标类别。
在一些实施方式中，还可包括：点云位姿调整模块，用于利用空间变换网络对点云的原始位姿进行调整，获得点云的目标位姿。
在一些实施方式中，还可包括目标分割模块，用于将具有相同的目标类别的栅格进行分割。
本申请又一个方面还提供了这样一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现上文所述的点云处理的方法中的步骤。
本申请又一个方面还提供了这样一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行上文所述的点云处理的方法中的步骤。
根据上述的实施方式的技术方案可至少获得以下一个有益效果。
根据本申请的一种点云处理的方法、***、电子设备及计算机可读存储介质，在相邻栅格的共享权重值的基础上对栅格的权重系数进行调整，提高了栅格之间的关联，使得对点云的目标分割更准确，适用于复杂场景的点云分割。
附图说明
图1是相关技术的点云处理的方法流程图；
图2是根据本申请一个方面的一种点云处理的方法流程图；
图3A是根据本申请一个方面的对点云进行立方体栅格划分的示意图；
图3B是根据本申请一个方面的对点云进行扇形体栅格划分的示意图；
图4是根据本申请一个方面的多层感知机进行对目标特征集进行降维处理的过程示意图；
图5是根据本申请另一个方面的点云处理的***框图；
图6是根据本申请又一个方面的电子设备结构示意图；以及
图7是根据本申请又一个方面的计算机可读存储介质结构示意图。
具体实施方式
为了更好地理解本申请，将参考附图对本申请的各个方面做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
应注意，在本说明书中，第一、第二、第三等的表述仅用于将一个特征与另一个特征区域分开来，而不表示对特征的任何限制，尤其不表示任何的先后顺序。因此，在不背离本申请的教导的情况下，本申请中讨论的第一文件种类也可被称作第二文件种类，第一文件等级也可称为第二文件等级，反之亦然。
在附图中，为了便于说明，已稍微调整了部件的厚度、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的，用语“大致”、“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。
还应理解的是，诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述，其表示存在所陈述的特征、元件和/或部件，但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，其修饰整列特征，而非仅仅修饰列表中的单独元件。此外，当描述本申请的实施方式时，使用“可”表示“本申请的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。
除非另外限定，否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本申请中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。另外，除非明确限定或与上下文相矛盾，否则本申请所记载的方法中包含的具体步骤不必限于所记载的顺序，而可以任意顺序执行或并行地执行。下面将参考附图并结合实施例来详细说明本申请。
图1是相关技术的点云处理的方法流程图。如图1所示，在相关技术中，首先接收输入的激光雷达的点云，其中点云中是激光雷达的多个激光点的集合。进一步地，对点云进行体素划分，也称作栅格化处理，主要就是对点云进行整体裁切，将点云划分为多个立方体栅格，每个栅格中包含多个激光点。进行栅格化处理后，便于计算和计数，后续使用三维卷积模型对点云进行分析时，也能够更加直观地获取点云的激光点的特征。更进一步地，使用三维卷积模型进行激光点的特征提取。但是，三维卷积模型对激光点的处理方式较为固定，只能对激光点分布比较稀疏的点云的分析处理，若点云中存在密集分布的激光点，则激光点的特征随着三维卷积模型提取激光点的过程而被削弱，以致目标的分割结果的准确度被降低；并且由于激光点之间的描述关系比较简单，三维卷积模型也无法准确提取激光点的特征。更进一步地，利用多层感知机分析激光点的特征，进而输出特征分值。最后输出分割结果，也就是各个栅格的目标类别，将具有相同目标类别的栅格进行分割，获得激光雷达投射的目标。
显而易见地，相关技术中仅使用了固定的卷积模型，对具有密集分布激光点的点云的分析并不能起到一个好的效果，会存在特征的损失，以致目标分割的准确率的下降的问题。因此需要对传统的卷积的产生方式进行改变和提高。
基于此，本申请提出了一种点云处理的方法，可包括：对点云进行栅格化处理，获得多个栅格，其中点云是激光点的集合，栅格包含多个激光点；在栅格的多个激光点中筛选用于表征栅格的属性的多个特征点；确定特征点的目标特征集；利用多层感知机对目标特征集进行分析，输出特征分值；以及基于特征分值，确定所述栅格的目标类别。
图2是根据本申请一个方面的一种点云处理的方法流程图。
如图2所示，具体地，在自动驾驶过程中，通常在驾驶装置的前端设置雷达激光，激光雷达可向驾驶装置的前方的物体发射激光信号，然后收集物体反射的点云数据，进而对点云数据进行解析以获得物体的目标类别，最终将物体按照相同的目标类别分割为多个目标。具体地，多个激光点的集合被称为点云，每个激光点都包含着该点的三维位置坐标，即X、Y、Z三个元素，同时还包括表征激光点反射强度的反射值等。在本申请中首先，获取反射输入的点云数据。
在一些实施方式中，在自动驾驶的实际应用中，由于驾驶装置的运动和行驶，使激光雷达的发射角度在变换，以致激光雷达产生的点云的角度不能很好的对应标准映射关系；另外，反射的点云图像通常仅展示物体的前视图，前视图只能获得物体的前方特征。为了便于获得点云中各个激光点的特征提取，本申请增加了角度旋转分支，即对点云的整***姿进行调整变换，获得该点云多角度的位姿图像，例如俯视图角度；进一步地，将多角度的位姿图像进行整合，以便于采集点云中各个激光点的特征。
更具体地，使用大量的训练样本对角度预测模型进行训练，以输出符合预期要求的点云位姿的调整角度，其中角度预测模型主要利用损失函数执行点云位姿需要调整的角度的分析任务。进一步地，利用角度预测模型对上述采集的实际点云进行分析处理，获得该点云的位姿的调整角度，以获得点云的更丰富的角度图像，便于采集点云中各个激光点的特征，增加了鲁棒性。
进一步地，对点云进行栅格化处理，也称体素划分，即将点云划分为多个栅格，每个栅格包含多个激光点，栅格化处理后的点云更便于计算和分析。
图3A是根据本申请一个方面的对点云进行立方体栅格划分的示意图；图3B是根据本申请一个方面的对点云进行扇形体栅格划分的示意图。如图3A所示，对点云进行了立方体栅格划分，即将点云等分成了多个立方体，具有多个立方体栅格A1，每个立方体栅格中还具有多个激光点B，当然激光点B并非均等分布。如图3B所示，对点云进行了扇形体划分，即将点云等分成了多个扇形体，具有多个扇形体栅格A2，每个扇形体栅格中也具有多个激光点B，当然激光点B也并非均等分布。图3A和图3B是对栅格进行划分的两种方式，当然也可根据具体需求划分成其他形式，在此不做限定。
在一些实施方式中，为了提高对各个栅格的目标类别的识别效率，在每个栅格中筛选能够表征该栅格属性的激光点作为特征点，例如可在每个栅格中选取均匀分布的四十个激光点作为特征点，具体选取数量在此不做限定。
在一些实施方式中，采集各个激光点的原始特征，原始特征包括各个激光点的三维位置坐标和其反射值，实际上原始特征在输入点云时已经获取。进一步地，为了更好的描述激光点的特征，还需要采集激光点的栅格特征。
具体地，计算同一个栅格内所有的激光点的三维位置坐标的均值，获得均值点坐标。假设同一个栅格内所有的激光点的三维横坐标的均值为XC，同一个栅格内所有的激光点的三维纵坐标的均值为YC，同一个栅格内所有的激光点的三维竖坐标的均值为ZC，则均值点坐标可标识为(XC，YC，ZC)。进一步地，计算每个特征点的三维位置坐标与均值点坐标的差值，例如特征点的三维位置坐标位(X,Y,Z)，则特征点与均值点的三维横坐标差值为X-XC，特征点与均值点的三维纵坐标差值为Y-YC，特征点与均值点的三维竖坐标差值为Z-ZC，因此差值坐标可表示为(X-XC，Y-YC，Z-ZC)。进一步地，采集栅格整体相对坐标系的二维位置坐标，即栅格的中心点的二维位置坐标，例如栅格的中心点的二维位置坐标为(XP，YP)。最终，将均值点坐标、差值坐标以及中心点的二维位置坐标进行整合，获得特征点的栅格特征，其中栅格特征用于表征特征点在栅格中的空间位置属性。
在一些实施方式中，将原始特征和栅格特征进行整合，获得特征点的初始特征集。进一步地，对初始特征集赋予权重系数。权重系数可通过权重生成模型获取，具体地，通过大量的训练样本对权重生成模型进行训练，直至输出的权重系数在预期范围内，则完成训练，并用训练完成的权重生成模型对本申请的实际初始特征集进行分析，输出符合实际要求的权重系数。例如，任一栅格的特征点的原始特征的权重为a，该栅格的特征点的栅格权重为b，该点云中所有栅格的数量为n，则该栅格的特征点的权重系数为n*(a+b)，但是由于实际上不同栅格的权重系数不同，上述计算方式虽然将各个栅格进行关联，但准确率较低。
进一步地，具有相同的目标类别的栅格的特征点必然具有相近的权重系数，为了提高权重系数的准确度，各个栅格还会分享其特征点的权重系数，各个栅格再根据其相邻的其他栅格分享的特征点的权重系数(共享权重值)，通过权重调整模型对初始权重系数进行分析处理，获得目标权重系数，进而将目标权重系数融合至初始特征集，以生成特征点的包含目标权重系数的目标特征集。相邻栅格分享的共享权重值为权重调整模型提供权重系数的调整依据，保证了相邻栅格之间的关联性和权重系数的准确性。
在一些实施方式中，利用大量样本对多层感知机进行训练，使得多层感知机输出的特征分值在期望特征分值范围内；进而将目标特征集输入至多层感知机，由多层感知机输出具有可信度的特征分值。
图4是根据本申请一个方面的多层感知机进行对目标特征集进行降维处理的过程示意图。如图4所示，多层感知机对目标特征集的处理过程主要是对对需求维度的筛选，以及对需求维度的扩充过程。换言之，多层感知机在目标特征集中筛选需求特征，进而对需求特征进行信息扩充，使其能够更丰富的表征目标类别。例如，某个特征点的目标特征集的特征丰富度可用H/4和W/4表示，其中H为标准高度，W表示标准宽度，该目标特征集的需求特征有4C个，C表示标准需求特征个数；进一步地，多层感知机对该目标特征集进行逐层处理，可使得该目标特征集的特征丰富度变为H/2和W/2，需求特征减少为2C个；更进一步地，随着多层感知机对该目标特征集的进一步处理，该目标特征集的特征丰富度扩充为标准高度H和标准宽度W，其需求特征减少为标准需求特征个数C个。进一步地，计算C个需求特征的特征分值，不同特征分值表征不同的目标类别，例如汽车，行人，自行车，锥桶，绿植，建筑物等。
需要说明的是，每个栅格的多个特征点同时进行目标特征集的分析和特征分值的输出，因此对于一个栅格而言，会同时输出多个特征分值。进一步地，对多个特征分值进行排序，筛选出最高的特征分值，该特征分值即可表征该栅格的目标类别，例如当栅格的最高特征分值落入汽车对应的特征分值区间，则说明该栅格表征的目标类别为汽车。进一步地，点云的多个栅格均同时进行栅格的目标类别的确定，因此将各个栅格的目标类别进行整合，将具有相同目标类别的栅格进行分割，即可获得目标。例如，有相邻的三个栅格的最高分值均落入汽车对应的特征分值区间，则说明该三个栅格表征的目标类别都为汽车。进而对该三个栅格进行分割，以实现表征汽车的点云的分割。
根据本申请的一种点云处理的方法，在相邻栅格的共享权重值的基础上对栅格的权重系数进行调整，提高了栅格之间的关联，使得对点云的目标分割更准确，适用于复杂场景的点云分割。
图5是根据本申请另一个方面的点云处理的***框图。
如图5所示，本申请另一个方面还提供了这样一种点云处理的***，可包括：栅格划分模块110、特征点确定模块120、目标特征集生成模块130、特征分值获取模块140以及目标类别确定模块150。栅格划分模块110用于对点云进行栅格化处理，获得多个栅格，其中点云是激光点的集合，栅格包含多个激光点；特征点确定模块120用于在栅格的多个激光点中确定用于表征栅格的属性的多个特征点；目标特征集生成模块130用于确定特征点的目标特征集；特征分值获取模块140用于利用多层感知机对目标特征集进行分析，输出特征分值；以及目标类别确定模块150用于基于所述特征分值，确定栅格的目标类别。
在一些实施方式中，目标特征集生成模块130的执行步骤可包括：采集特征点的原始特征，其中原始特征包括特征点的三维位置坐标和反射值；提取特征点的栅格特征，其中栅格特征用于表征特征点在栅格中的位置属性；将原始特征和栅格特征进行整合，获得特征点的初始特征集；对初始特征集赋予初始权重系数；以及由权重调整模型对初始权重系数进行分析处理，获得目标权重系数，并将目标权重系数和初始特征集进行整合，获得目标特征集。
在一些实施方式中，提取特征点的栅格特征可包括：对栅格中的全部特征点的三维位置坐标进行求均值处理，获得均值点坐标；计算特征点的三维位置坐标与均值点坐标的差值，获得差值坐标；采集栅格的中心点的二维位置坐标；以及将均值点坐标、差值坐标以及中心点的二维位置坐标进行整合，获得特征点的栅格特征。
在一些实施方式中，在由权重调整模型对初始权重系数进行分析处理，获得目标权重系数，并将目标权重系数和初始特征集进行整合，获得目标特征集之前，还可包括：获取栅格的相邻栅格分享的共享权重值，共享权重值为权重调整模型提供权重系数的调整依据。
在一些实施方式中，目标类别确定模块150的执行步骤可包括：对各个特征点的特征分值进行排序；筛选出最高特征分值；以及确定最高分值对应的分割类别，将分割类别作为栅格的目标类别。
在一些实施方式中，还可包括：点云位姿调整模块(未示出)，用于利用空间变换网络对点云的原始位姿进行调整，获得点云的目标位姿。
在一些实施方式中，还可包括目标分割模块(未示出)，用于将具有相同的目标类别的栅格进行分割。
根据本申请的一种点云处理的***，在相邻栅格的共享权重值的基础上对栅格的权重系数进行调整，提高了栅格之间的关联，使得对点云的目标分割更准确，适用于复杂场景的点云分割。
图6是根据本申请又一个方面的电子设备结构示意图。如图6所示，根据本申请的又一方面，还提供了一种电子设备。该电子设备可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的点云处理的方法。
根据本申请实施方式的方法或***也可以借助于图6所示的电子设备的架构来实现。如图6所示，电子设备可包括总线201、一个或多个CPU202、只读存储器(ROM)203、随机存取存储器(RAM)204、连接到网络的通信端口205、输入/输出组件206、硬盘207等。电子设备中的存储设备，例如ROM203或硬盘207可存储本申请提供的点云处理的方法。点云处理的方法可例如包括，对点云进行栅格化处理，获得多个栅格，其中点云是激光点的集合，栅格包含多个激光点；在栅格的多个激光点中筛选用于表征栅格的属性的多个特征点；确定特征点的目标特征集；利用多层感知机对目标特征集进行分析，输出特征分值；以及基于特征分值，确定栅格的目标类别。进一步地，电子设备还可包括用户界面208。当然，图6所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图6示出的电子设备中的一个或多个组件。
图7是根据本申请又一个方面的计算机可读存储介质结构示意图。如图7所示，是根据本申请一个实施方式的计算机可读存储介质300。计算机可读存储介质300上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的数据同步的方法。存储介质300包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：对点云进行栅格化处理，获得多个栅格，其中点云是激光点的集合，栅格包含多个激光点；在栅格的多个激光点中筛选用于表征栅格的属性的多个特征点；确定特征点的目标特征集；利用多层感知机对目标特征集进行分析，输出特征分值；以及基于特征分值，确定栅格的目标类别。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
以上描述仅为本申请的实施方式以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的保护范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离技术构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种点云处理的方法，其特征在于，包括：
对点云进行栅格化处理，获得多个栅格，其中所述点云是激光点的集合，所述栅格包含多个激光点；
在所述栅格的多个激光点中筛选用于表征所述栅格的属性的多个特征点；
确定所述特征点的目标特征集；
利用多层感知机对所述目标特征集进行分析，输出特征分值；以及
基于所述特征分值，确定所述栅格的目标类别；
所述确定所述特征点的目标特征集，包括：
采集所述特征点的原始特征，其中所述原始特征包括所述特征点的三维位置坐标和反射值；
提取所述特征点的栅格特征，其中所述栅格特征用于表征所述特征点在所述栅格中的位置属性；
将所述原始特征和所述栅格特征进行整合，获得所述特征点的初始特征集；
对所述初始特征集赋予初始权重系数；以及
由权重调整模型对所述初始权重系数进行分析处理，获得目标权重系数，并将所述目标权重系数和所述初始特征集进行整合，获得目标特征集；所述提取所述特征点的栅格特征包括：
对所述栅格中的全部特征点的三维位置坐标进行求均值处理，获得均值点坐标；
计算所述特征点的三维位置坐标与所述均值点坐标的差值，获得差值坐标；
采集所述栅格的中心点的二维位置坐标；以及
将所述均值点坐标、所述差值坐标以及所述中心点的二维位置坐标进行整合，获得所述特征点的栅格特征；在所述由权重调整模型对初始权重系数进行分析处理，获得目标权重系数，并将目标权重系数和初始特征集进行整合，获得目标特征集之前，还包括：
获取所述栅格的相邻栅格分享的共享权重值，所述共享权重值为所述权重调整模型提供权重系数的调整依据。
2.根据权利要求1所述的点云处理的方法，其特征在于，所述基于所述特征分值，确定所述栅格的目标类别，包括：
对各个所述特征点的特征分值进行排序；
筛选出最高特征分值；以及
确定所述最高特征分值对应的分割类别，将所述分割类别作为所述栅格的目标类别。
3.根据权利要求1所述的点云处理的方法，其特征在于，在所述对点云进行栅格化处理，获得多个栅格，其中所述点云是激光点的集合，所述栅格包含多个激光点之前，包括：
利用空间变换网络对所述点云的原始位姿进行调整，获得所述点云的目标位姿。
4.根据权利要求1所述的点云处理的方法，其特征在于，在所述基于所述特征分值，确定所述栅格的目标类别之后，还包括：
将具有相同的所述目标类别的栅格进行分割。
5.一种点云处理的***，其特征在于，包括：
栅格划分模块，用于对点云进行栅格化处理，获得多个栅格，其中所述点云是激光点的集合，所述栅格包含多个激光点；
特征点确定模块，用于在所述栅格的多个激光点中筛选用于表征所述栅格的属性的多个特征点；
目标特征集生成模块，用于确定所述特征点的目标特征集；
特征分值获取模块，用于利用多层感知机对所述目标特征集进行分析，输出特征分值；以及
目标类别确定模块，用于基于所述特征分值，确定所述栅格的目标类别。
6.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现如权利要求1-4任一所述的点云处理的方法中的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如权利要求1-4任一项所述的点云处理的方法中的步骤。
CN202210573918.XA 2022-05-24 2022-05-24 点云处理的方法、***、电子设备及计算机可读存储介质 Active CN114863108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210573918.XA CN114863108B (zh) 2022-05-24 2022-05-24 点云处理的方法、***、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210573918.XA CN114863108B (zh) 2022-05-24 2022-05-24 点云处理的方法、***、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN114863108A CN114863108A (zh) 2022-08-05
CN114863108B true CN114863108B (zh) 2024-06-21

Family

ID=82638550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210573918.XA Active CN114863108B (zh) 2022-05-24 2022-05-24 点云处理的方法、***、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114863108B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115719354B (zh) * 2022-11-17 2024-03-22 同济大学 基于激光点云提取立杆的方法与装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881239A (zh) * 2020-07-17 2020-11-03 上海高仙自动化科技发展有限公司 构建方法、构建装置、智能机器人及可读存储介质
CN113569958A (zh) * 2021-07-29 2021-10-29 清华大学苏州汽车研究院（吴江） 激光点云数据聚类方法、装置、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840448A (zh) * 2017-11-24 2019-06-04 百度在线网络技术（北京）有限公司 用于无人驾驶车辆的信息输出方法和装置
CN110059608B (zh) * 2019-04-11 2021-07-06 腾讯科技（深圳）有限公司 一种物体检测方法、装置、电子设备和存储介质
CN111602171A (zh) * 2019-07-26 2020-08-28 深圳市大疆创新科技有限公司 一种点云特征点提取方法、点云传感***及可移动平台
CN113971221A (zh) * 2020-07-22 2022-01-25 上海商汤临港智能科技有限公司 一种点云数据的处理方法、装置、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881239A (zh) * 2020-07-17 2020-11-03 上海高仙自动化科技发展有限公司 构建方法、构建装置、智能机器人及可读存储介质
CN113569958A (zh) * 2021-07-29 2021-10-29 清华大学苏州汽车研究院（吴江） 激光点云数据聚类方法、装置、设备及介质

Also Published As

Publication number Publication date
CN114863108A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN112526513B (zh) 基于聚类算法的毫米波雷达环境地图构建方法及装置
CN110111345B (zh) 一种基于注意力网络的3d点云分割方法
CN101702200B (zh) 一种机载激光雷达点云数据的自动分类方法
US20210082135A1 (en) Method and device for depth image completion and computer-readable storage medium
CN105957106B (zh) 三维目标跟踪的方法和装置
CN111723721A (zh) 基于rgb-d的三维目标检测方法、***及装置
CN110879994A (zh) 基于形状注意力机制的三维目测检测方法、***、装置
JP2011238204A (ja) ３次元シーンにおける３次元物体の認識及び位置姿勢決定方法
CN108074232B (zh) 一种基于体元分割的机载lidar建筑物检测方法
CN114693696A (zh) 一种点云数据处理方法及装置
CN111488769A (zh) 基于光斑发散尺寸的无监督式融合点云超体素化方法
CN112099046A (zh) 基于多值体素模型的机载lidar三维平面检测方法
CN114863108B (zh) 点云处理的方法、***、电子设备及计算机可读存储介质
CN112381940A (zh) 一种点云数据生成数字高程模型的处理方法、装置及终端设备
CN111736167B (zh) 一种获取激光点云密度的方法和装置
CN116168384A (zh) 点云目标检测方法、装置、电子设备及存储介质
CN111812670B (zh) 一种单光子激光雷达空间变换噪声判断、滤波方法及装置
CN117706577A (zh) 基于激光雷达三维点云算法的船舶尺寸测量方法
CN111060922B (zh) 基于机载激光雷达点云空间分布特征的树木点云提取方法
CN116310552A (zh) 一种基于多尺度特征融合的三维目标检测方法
CN115453563A (zh) 三维空间动态物体识别方法、***及存储介质
CN116863325A (zh) 一种用于多个目标检测的方法和相关产品
CN111723797B (zh) 一种确定三维目标的包围框的方法及***
CN116263735A (zh) 神经网络的鲁棒性评估方法、装置、设备及存储介质
CN115830248B (zh) 一种基于无人机环绕规划的超高精细三维模型建立方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang

Applicant after: United New Energy Automobile Co.,Ltd.

Address before: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang

Applicant before: Hozon New Energy Automobile Co., Ltd.

GR01 Patent grant
GR01 Patent grant