CN109344804A - 一种激光点云数据的识别方法、装置、设备和介质 - Google Patents

Abstract

本发明实施例公开了一种激光点云数据的识别方法、装置、设备和介质。其中，方法包括：将待测激光点云数据的原始数据点，输入点云深度学习模型；从所述点云深度学习模型输出各个数据点的类别信息；根据具有类别信息的待测激光点云数据，进行障碍物识别处理。本发明实施例通过将待测激光点云的原始数据点直接输入至预先训练好的点云深度学习模型中获得原始数据中每个数据点的类别信息，进而根据获得的类别信息识别障碍物，解决了在没有拍摄图像辅助的情况下，难以判断障碍物类型的问题；可以无需拍摄图辅助对障碍物进行识别，并提高了对激光点云数据的标注效率。

Description

一种激光点云数据的识别方法、装置、设备和介质

技术领域

本发明实施例涉及激光点云数据的处理技术，尤其涉及一种激光点云数据的识别方法、装置、设备和介质。

背景技术

在自动驾驶和辅助驾驶的技术领域中，采用激光雷达进行环境感知是一种广泛被采用的技术。

现有技术中，首先通过激光雷达发射激光射线，激光射线遇到不可穿透的障碍物时会被反射回来，由激光雷达的接收设备接收；通过记录发射和接收之间的时延，再结合射线的传输速度来计算障碍物与激光雷达之间的距离。通过大量的激光射线检测，能够进行周围环境的感知。以64线激光雷达为例，每秒可产生130万个点，每个点能反映对应的距离,并可折算为该点在空间的坐标值。激光雷达的一次检测获取的点云数据，可称为一帧激光点云数据。

为了基于激光点云数据进一步进行障碍物识别,现有技术采用对激光点云数据进行标注的方法来实现。在3D点云标注中，目前常用的方法是标注障碍物的boundingbox(包围盒),将3D包围盒投影到2D图像中查看障碍物类型，如大车、小车、行人、自行车、摩托车等。

现有的标注方法中遇到的问题是：一方面，在没有拍摄图像辅助的情况下，判断障碍物类型比较困难；另一方面，在标注中比较耗时的环节是定位障碍物位置和判断障碍物类型。激光雷达扫描的点云数据只包含了障碍物的三维空间坐标，因此需要用包围盒的形状和尺寸来粗略判断障碍物类型，然后将包围盒顶点投影到图像中进一步验证，才能确定障碍物。

发明内容

本发明实施例提供一种激光点云数据的识别方法、装置、设备和介质，以提高对激光点云数据的标注效率。

第一方面，本发明实施例提供了一种激光点云数据的识别方法，该方法包括：

将待测激光点云数据的原始数据点，输入点云深度学习模型；

从所述点云深度学习模型输出各个数据点的类别信息；

根据具有类别信息的待测激光点云数据，进行障碍物识别处理。

可选的，所述原始数据点至少包括数据点的空间坐标值。

进一步的，在将激光点云数据的原始数据点，输入点云深度学习模型之前，还包括：

标注过类别信息的样本激光点云数据输入点云深度学习模型进行训练，其中，点云深度学习模型的输入数据包括每个数据点的原始数据点和每个数据点的类别信息。

可选的，所述类别信息包括障碍物类型。

可选的，所述点云深度学习模型为神经网络模型。

可选的，从所述点云深度学习模型获取各个数据点的类别信息之后，还包括：

根据所述类别信息配置所述数据点所呈现的颜色值，将呈现不同颜色的三维激光点云数据进行三维渲染显示，其中，不同颜色的数据点代表不同障碍物类别。

第二方面，本发明实施例还提供了一种激光点云数据的识别装置，该装置包括：

数据输入模块，用于将待测激光点云数据的原始数据点，输入点云深度学习模型；

类别信息获取模块，用于从所述点云深度学习模型输出各个数据点的类别信息；

障碍物识别模块，用于根据具有类别信息的待测激光点云数据，进行障碍物识别处理。

可选的，所述原始数据点至少包括数据点的空间坐标值。

进一步的，激光点云数据的识别装置还包括：

点云深度学习模型训练模块，用于在将激光点云数据的原始数据点，输入点云深度学习模型之前，将标注过类别信息的样本激光点云数据输入点云深度学习模型进行训练，其中，点云深度学习模型的输入数据包括每个数据点的原始数据点和每个数据点的类别信息。

可选的，所述类别信息包括障碍物类型。

可选的，所述点云深度学习模型为神经网络模型。

可选的，激光点云数据的识别装置还包括显示模块，用于从所述点云深度学习模型获取各个数据点的类别信息之后，根据所述类别信息配置所述数据点所呈现的颜色值，将呈现不同颜色的三维激光点云数据进行三维渲染显示，其中，不同颜色的数据点代表不同障碍物类别。

第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例中任一所述的激光点云数据的识别方法。

第四方面，本发明实施例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，其特征在于，该程序被处理器执行时实现如发明实施例中任一所述的激光点云数据的识别方法。

本发明实施例通过将待测激光点云的数据特征直接输入至预先训练好的点云深度学习模型中获得类别信息，进而根据获得的类别信息识别障碍物，解决了在没有拍摄图像辅助的情况下，难以判断障碍物类型的问题；可以无需拍摄图辅助对障碍物进行识别，并提高了对激光点云数据的标注效率。

附图说明

图1a是本发明实施例一中的激光点云数据的识别方法的流程图；

图1b是本发明实施例一中的识别出障碍物的显示示意图；

图1c是本发明实施例一中的识别出障碍物的显示示意图；

图1d是本发明实施例一中的识别出障碍物的显示示意图；

图2是本发明实施例二中的激光点云数据的识别方法的流程图；

图3是本发明实施例三中的激光点云数据的识别装置的结构示意图；

图4是本发明实施例四中的计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1a为本发明实施例一提供的激光点云数据的识别方法的流程图，本实施例可适用于对激光点云数据进行障碍物标注的情况，该方法可以由激光点云数据的识别装置实现，具体可通过设备中的软件和/或硬件来实施。如图1a所示，激光点云数据的识别方法具体包括：

S110、将待测激光点云数据的原始数据点，输入点云深度学习模型。

其中，待测激光点云数据可以是由车辆(例如无人驾驶汽车)载激光扫描设备，在待测量道路上采集的激光点云，可以任选其中一帧的激光点云数据。

待测激光点云数据的原始数据点至少包括各个数据点的空间坐标值。空间坐标值可以是空间直角坐标系下的坐标值，也可以是极坐标系下的坐标值，能够反映数据点的空间位置即可。

本发明实施例中，是将数据点的空间坐标值，即每一个激光点云数据点的原始特征输入点云深度学习模型进行标注，而并非将数据点从三维空间映射到二维平面的图像特征，再进行标注，所以保留了每一个数据点的原始信息，使障碍物信息保持完整。

点云深度学习模型是以经过标注的激光点云数据及其标注结果作为训练样本，预先训练得到的激光点云点云深度学习模型，用于对激光点云数据中每一个数据点进行识别并标注。每个数据点都作为独立被识别和标注的单位，而不需要对激光点云数据进行数据点聚类处理后再进行标注，也提高了标注效率。

S120、从所述点云深度学习模型输出各个数据点的类别信息。

类别信息即为每个数据点所属的障碍物类别，障碍物类别例如可包括有大车、小车、行人、自行车、或摩托车等。

当待测激光点云的原始数据点被输入至点云深度学习模型后，点云深度学习模型即可输出标注结果，即该待测激光点云所属的类别。

S130、根据具有类别信息的待测激光点云数据，进行障碍物识别处理。

当确定了各个数据点的类别信息后，当属于同一类别且位置集中的激光点云数据点的数量大于相应的阈值时，即可用于识别出障碍物的类别。

优选的，从所述点云深度学习模型获取各个数据点的类别信息之后，还可以根据类别信息配置数据点所呈现的颜色值，不同颜色的数据点代表不同障碍物类别，将呈现不同颜色的三维激光点云数据进行三维渲染显示，以区分显示不同障碍物，方便标注人员查看。标注人员可以进一步对模型标注出来的障碍物再进行其他用途的标注，或调整障碍物类型。将障碍物区别显示的示意图可参考图1b、图1c和图1d。图1b、图1c、和图1d中，区别于黑色背景的白色数据点即为识别出的障碍物的点云数据，各障碍物与背景用不同的颜色显示，不同种类的障碍物也可以选择用不同的颜色来表示，在这里仅用黑色和白色作为示例，并不是限定。

本实施例的技术方案，通过将待测激光点云的数据特征，直接输入至预先训练好的点云深度学习模型中获得类别信息，进而根据获得的类别信息识别障碍物，使障碍物呈现不同的颜色，解决了在没有拍摄图像辅助的情况下，难以判断障碍物类型的问题；可以无需拍摄图辅助对障碍物进行识别，并提高了对激光点云数据的标注效率。本发明实施例是以数据点为独立对象进行标注的，不需要将数据点转换成图片后再进行标注，能够保留激光点云的原始数据特征不丢失，同时也提高了标注效率。

实施例二

图2为发明实施例二提供的一种激光点云数据的识别方法的流程图。本实施例以上述实施例中各个可选方案为基础，提供了点云深度学习模型的训练过程。如图2所示，本发明实施例中提供的激光点云数据的识别方法包括如下步骤：

S210、标注过类别信息的样本激光点云数据输入点云深度学习模型进行训练，其中，点云深度学习模型的输入数据包括每个数据点的原始数据点和每个数据点的类别信息。

类别信息包括障碍物类型，那么每个数据点的类别信息即为该数据点所属的障碍物的类型。输入到点云深度学习模型的每一个数据点的数据包括该点的三维空间坐标和标注类型。

点云深度学习模型可以是神经网络模型。在模型训练的过程中，输入数据是样本数据中数据点的三维空间坐标，输出数据是数据点的类别信息，从而以此来训练点云深度学习模型中各层的参数权值。通过多组样本的训练，当点云深度学习模型的损失函数收敛时，则模型训练结束。

S220、将待测激光点云数据的原始数据点，输入点云深度学习模型。

S230、从所述点云深度学习模型输出各个数据点的类别信息。

S240、根据具有类别信息的待测激光点云数据，进行障碍物识别处理。

本实施例的技术方案，通过利用已经标注的激光点云数据进行神经网络模型训练，进而将待测激光点云的数据特征直接输入至预先训练好的模型中获得类别信息，进而根据获得的类别信息识别障碍物，解决了在没有拍摄图像辅助的情况下，难以判断障碍物类型的问题；可以无需拍摄图辅助对障碍物进行识别，并提高了对激光点云数据的标注效率。

实施例三

图3示出了本公开实施例三提供的一种激光点云数据的识别装置的结构示意图，本公开实施例可适用于动态确定客户端界面主题色情况。

如图3所示，本公开实施例中激光点云数据的识别装置，包括：数据输入模块310、类别信息获取模块320和障碍物识别模块330。

其中，数据输入模块310，用于将待测激光点云数据的原始数据点，输入点云深度学习模型；类别信息获取模块320，用于从所述点云深度学习模型输出各个数据点的类别信息；障碍物识别模块330，用于根据具有类别信息的待测激光点云数据，进行障碍物识别处理。

本实施例的技术方案，通过将待测激光点云的数据特征直接输入至预先训练好的点云深度学习模型中获得类别信息，进而根据获得的类别信息识别障碍物，解决了在没有拍摄图像辅助的情况下，难以判断障碍物类型的问题；可以无需拍摄图辅助对障碍物进行识别，并提高了对激光点云数据的标注效率。

可选的，原始数据点至少包括数据点的空间坐标值

进一步的，激光点云数据的识别装置还包括：

点云深度学习模型训练模块，用于在将激光点云数据的原始数据点，输入点云深度学习模型之前，将标注过类别信息的样本激光点云数据输入点云深度学习模型进行训练，其中，点云深度学习模型的输入数据包括每个数据点的原始数据点和每个数据点的类别信息。

可选的，所述类别信息包括障碍物类型。

可选的，所述点云深度学习模型为神经网络模型。

可选的，激光点云数据的识别装置还包括显示模块，用于从所述点云深度学习模型输出各个数据点的类别信息之后，根据所述类别信息配置所述数据点所呈现的颜色值，将呈现不同颜色的三维激光点云数据进行三维渲染显示，其中，不同颜色的数据点代表不同障碍物类别。

本发明实施例所提供的激光点云数据的识别装置可执行本发明任意实施例所提供的激光点云数据的识别方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例四中的计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备412的框图。图4显示的计算机设备412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4所示，计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于：一个或者多个处理器或者处理单元416，系统存储器428，连接不同系统组件(包括系统存储器428和处理单元416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442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。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该计算机设备412交互的设备通信，和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，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422进行。并且，计算机设备412还可以通过网络适配器420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。如图所示，网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机设备412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。

处理单元416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的激光点云数据的识别方法，该方法主要包括：

将待测激光点云数据的原始数据点，输入点云深度学习模型；

从所述点云深度学习模型输出各个数据点的类别信息；

根据具有类别信息的待测激光点云数据，进行障碍物识别处理。

实施例五

本发明实施例五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，该程序被处理器执行时实现如本发明实施例所提供的激光点云数据的识别方法，该方法主要包括：

将待测激光点云数据的原始数据点，输入点云深度学习模型；

从所述点云深度学习模型输出各个数据点的类别信息；

根据具有类别信息的待测激光点云数据，进行障碍物识别处理。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机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。

计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。

计算机可读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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种激光点云数据的识别方法，其特征在于，包括：

将待测激光点云数据的原始数据点，输入点云深度学习模型；

从所述点云深度学习模型输出各个数据点的类别信息；

根据具有类别信息的待测激光点云数据，进行障碍物识别处理。

2.根据权利要求1所述的方法，其特征在于，所述原始数据点至少包括数据点的空间坐标值。

3.根据权利要求1或2所述的方法，其特征在于，在将激光点云数据的原始数据点，输入点云深度学习模型之前，还包括：

标注过类别信息的样本激光点云数据输入点云深度学习模型进行训练，其中，点云深度学习模型的输入数据包括每个数据点的原始数据点和每个数据点的类别信息。

4.根据权利要求3所述的方法，其特征在于，所述类别信息包括障碍物类型。

5.根据权利要求3所述的方法，其特征在于，所述点云深度学习模型为神经网络模型。

6.根据权利要求1所述的方法，其特征在于，从所述点云深度学习模型获取各个数据点的类别信息之后，还包括：

根据所述类别信息配置所述数据点所呈现的颜色值，将呈现不同颜色的三维激光点云数据进行三维渲染显示，其中，不同颜色的数据点代表不同障碍物类别。

7.一种激光点云数据的识别装置，其特征在于，包括：

数据输入模块，用于将待测激光点云数据的原始数据点，输入点云深度学习模型；

类别信息获取模块，用于从所述点云深度学习模型输出各个数据点的类别信息；

障碍物识别模块，用于根据具有类别信息的待测激光点云数据，进行障碍物识别处理。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

点云深度学习模型训练模块，用于在将激光点云数据的原始数据点，输入点云深度学习模型之前，将标注过类别信息的样本激光点云数据输入点云深度学习模型进行训练，其中，点云深度学习模型的输入数据包括每个数据点的原始数据点和每个数据点的类别信息。

9.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的激光点云数据的识别方法。

10.一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，该程序被处理器执行时实现如权利要求1-6中任一所述的激光点云数据的识别方法。