CN110263652B - 激光点云数据识别方法及装置 - Google Patents

激光点云数据识别方法及装置 Download PDF

Info

Publication number
CN110263652B
CN110263652B CN201910433324.7A CN201910433324A CN110263652B CN 110263652 B CN110263652 B CN 110263652B CN 201910433324 A CN201910433324 A CN 201910433324A CN 110263652 B CN110263652 B CN 110263652B
Authority
CN
China
Prior art keywords
point cloud
laser point
cloud data
target object
data
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
CN201910433324.7A
Other languages
English (en)
Other versions
CN110263652A (zh
Inventor
包雨乐
孟德佳
徐国栋
万信逸
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.)
Hangzhou Fabu Technology Co Ltd
Original Assignee
Hangzhou Fabu Technology 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 Hangzhou Fabu Technology Co Ltd filed Critical Hangzhou Fabu Technology Co Ltd
Priority to CN201910433324.7A priority Critical patent/CN110263652B/zh
Publication of CN110263652A publication Critical patent/CN110263652A/zh
Application granted granted Critical
Publication of CN110263652B publication Critical patent/CN110263652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种激光点云数据识别方法及装置，该方法包括：获取目标激光点云数据，所述目标激光点云数据是根据三维激光点云数据中的各激光点在目标三维场景下的坐标信息得到；将所述目标激光点云数据输入到训练好的点云深度学习模型中，得到目标物体识别结果，所述训练好的点云深度学习模型是根据样本目标物体的标注信息得到的模型，所述标注信息包括样本目标物体的大小和位置，所述标注信息是根据点云深度模型输出的预测数据得到的信息，所述预测数据包括预测的所述样本目标物体的大小和位置。本发明实施例提供的激光点云数据识别方法及装置能够提高标注效率，进而提高对目标物体的识别效率。

Description

激光点云数据识别方法及装置
技术领域
本发明实施例涉及计算机领域，尤其涉及一种激光点云数据识别方法及装置。
背景技术
随着自动驾驶技术的发展，识别车辆周边目标物体(如车辆、行人、三轮车、自行车等)尤为重要，一种比较常用的方式是通过激光雷达(如采用16线、32线或64线激光雷达)探测车辆周围目标物体，激光雷达向周围发射激光束，当激光束遇到物体时则返回激光点云，通过该激光点云识别周围的目标物体以及该目标物体的大小、位置、运动、速度等。
目前，通过激光点云识别目标物体主要的方式为：预先通过人工对接收到的激光点云进行逐点标注以得到目标物体对应的激光点云样本数据；采用该样本数据进行机器学习得到物体识别模型；通过该物体识别模型识别出激光点云对应的目标物体。涉及点云数据的识别算法在进行训练时，会需要使用大量标注过的点云数据作为训练样本，以优化障碍物识别算法。因此，需要预先采集大量不同场景的点云数据，并对其进行准确标注，才能保证优化过程顺利进行。
因激光点云包含的激光点数据量庞大，采用人工对接收到的激光点云进行逐点标注，速度较慢，导致对目标物体的识别效率较低。
发明内容
本发明实施例提供一种激光点云数据识别方法及装置，以解决现有激光点云标注速度较慢导致对目标物体的识别效率较低的问题。
第一方面，本发明实施例提供一种激光点云数据识别方法，包括：
获取目标激光点云数据，所述目标激光点云数据是根据三维激光点云数据中的各激光点在目标三维场景下的坐标信息得到；
将所述目标激光点云数据输入到训练好的点云深度学习模型中，得到目标物体识别结果，所述训练好的点云深度学习模型是根据样本目标物体的标注信息得到的模型，所述标注信息包括样本目标物体的大小和位置，所述标注信息是根据点云深度模型输出的预测数据得到的信息，所述预测数据包括预测的所述样本目标物体的大小和位置。
在一种可能的设计中，所述训练好的点云深度学习模型，通过以下步骤获取：
获取样本目标激光点云数据，所述样本目标激光点云数据是根据样本三维激光点云数据中的各数据点在所述目标三维场景下的坐标信息得到的；
根据所述样本目标激光点云数据获取对应的标注信息，所述标注信息包括所述样本目标激光点云数据中样本目标物体的大小和位置；
根据所述样本目标激光点云数据和所述标注信息，得到样本数据；
根据所述样本数据对所述点云深度学习模型进行训练，得到训练好的点云深度学习模型。
在一种可能的设计中，所述获取样本目标激光点云数据，具体包括：
获取样本三维激光点云数据，所述样本三维激光点云数据包括各数据点在对应三维场景下的坐标信息；
将所述各数据点在对应三维场景下的坐标信息转换到所述目标三维场景下，得到所述样本目标激光点云数据。
在一种可能的设计中，所述根据所述样本目标激光点云数据获取对应的标注信息，具体包括：
将所述样本目标激光点云数据输入到点云深度学习模型中，得到预测数据，所述预测数据包括各样本目标物体在所述目标三维场景下预测的大小和位置；
基于所述预测数据，获取所述样本目标激光点云数据对应的标注信息。
在一种可能的设计中，所述基于所述预测数据，获取所述样本目标激光点云数据对应的标注信息，具体包括：
根据所述预测数据中所述样本目标物体在所述目标三维场景下预测的大小和位置，得到预测立体框，所述预测立体框用于包围所述样本目标物体；
对于位于对应的所述预测立体框中的第一样本目标物体，获取所述第一样本目标物体对应的预测数据，得到第一标注信息；
对于不位于对应的所述预测立体框中的第二样本目标物体，获取用户对所述第二样本目标物体的第二标注信息，所述第二标注信息包括所述第二样本目标物体的大小和位置；
根据所述第一标注信息和所述第二标注信息，得到所述标注信息。
在一种可能的设计中，在所述获取目标激光点云数据之前，所述方法还包括：
接收多个传感器获取的三维激光点云数据，所述三维激光点云数据包括各激光点在对应三维场景下的坐标信息；
将所述各激光点在对应三维场景下的转换到所述目标三维场景下，得到所述目标激光点云数据。
在一种可能的设计中，所述目标物体识别结果具体包括：
所述目标物体的大小、所述目标物体的位置、所述目标物体的运动方向和所述目标物体的运动速度。
第二方面，本发明实施例提供一种激光点云数据识别装置，包括：
获取模块，用于获取目标激光点云数据，所述目标激光点云数据是根据三维激光点云数据中的各激光点在目标三维场景下的坐标信息得到；
识别模块，用于将所述目标激光点云数据输入到训练好的点云深度学习模型中，得到目标物体识别结果，所述训练好的点云深度学习模型是根据样本目标物体的标注信息得到的模型，所述标注信息包括样本目标物体的大小和位置，所述标注信息是根据点云深度模型输出的预测数据得到的信息，所述预测数据包括预测的所述样本目标物体的大小和位置。
在一种可能的设计中，还包括训练模块，所述训练模块用于：
获取样本目标激光点云数据，所述样本目标激光点云数据是根据样本三维激光点云数据中的各数据点在所述目标三维场景下的坐标信息得到的；
根据所述样本目标激光点云数据获取对应的标注信息，所述标注信息包括所述样本目标激光点云数据中样本目标物体的大小和位置；
根据所述样本目标激光点云数据和所述标注信息，得到样本数据；
根据所述样本数据对所述点云深度学习模型进行训练，得到训练好的点云深度学习模型。
在一种可能的设计中，所述训练模块还用于：
获取样本三维激光点云数据，所述样本三维激光点云数据包括各数据点在对应三维场景下的坐标信息；
将所述各数据点在对应三维场景下的坐标信息转换到所述目标三维场景下，得到所述样本目标激光点云数据。
在一种可能的设计中，所述训练模块还用于：
将所述样本目标激光点云数据输入到点云深度学习模型中，得到预测数据，所述预测数据包括各样本目标物体在所述目标三维场景下预测的大小和位置；
基于所述预测数据，获取所述样本目标激光点云数据对应的标注信息。
在一种可能的设计中，所述训练模块还用于：
根据所述预测数据中所述样本目标物体在所述目标三维场景下预测的大小和位置，得到预测立体框，所述预测立体框用于包围所述样本目标物体；
对于位于对应的所述预测立体框中的第一样本目标物体，获取所述第一样本目标物体对应的预测数据，得到第一标注信息；
对于不位于对应的所述预测立体框中的第二样本目标物体，获取用户对所述第二样本目标物体的第二标注信息，所述第二标注信息包括所述第二样本目标物体的大小和位置；
根据所述第一标注信息和所述第二标注信息，得到所述标注信息。
在一种可能的设计中，所述获取模块还用于：
接收多个传感器获取的三维激光点云数据，所述三维激光点云数据包括各激光点在对应三维场景下的坐标信息；
将所述各激光点在对应三维场景下的转换到所述目标三维场景下，得到所述目标激光点云数据。
在一种可能的设计中，所述目标物体识别结果具体包括：
所述目标物体的大小、所述目标物体的位置、所述目标物体的运动方向和所述目标物体的运动速度。
第三方面，本发明实施例提供一种激光点云数据识别设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面任一项所述的激光点云数据识别方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面任一项所述的激光点云数据识别方法。
本发明实施例提供的激光点云数据识别方法及装置，通过将三维激光点云数据中的各激光点转换到三维场景下，得到目标激光点云数据，使得在三维场景下对目标物体更加容易辨别，同时通过将往期激光点云数据输入点云深度学习模型，得到预测数据，进而在预测数据的基础上由标注人员进行进一步标注，得到标注信息，以标注信息和往期激光点云数据对点云深度学习模型训练，得到训练好的点云深度学习模型，利用该训练好的点云深度学习模型来对目标激光点云数据进行目标物体识别，标注人员无需逐个对往期激光点云数据中的各数据点进行逐一标注，而是在预测数据的基础上对标注错误的部分进行重新标注，极大的减小了标注人员的工作量，提高了标注速度，进而提高了目标物体的识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种激光点云数据识别系统示意图；
图2为本发明实施例提供的激光点云数据识别方法的流程示意图；
图3为本发明实施例提供的点云深度学习模型的训练过程的流程示意图；
图4为本发明又一实施例提供的激光点云数据识别方法的流程示意图；
图5为本发明实施例提供的一种激光点云数据识别装置的结构示意图；
图6为本发明实施例提供的激光点云数据识别设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种激光点云数据识别系统示意图，如图1所示，该系统包括服务器11和传感器12，传感器12的数量为一个或多个，主要用于获取三维激光点云数据，并发送给服务器11。服务器11根据三维激光点云数据获取目标激光点云数据，并输入训练好的点云深度学习模型，得到目标物体的识别结果。
本发明实施例提供的系统可应用于多种场景下，例如可以应用于道路上障碍物的识别，在道路上，需要识别的目标物体为各种类型的障碍物，如道路两旁的树，道路上的行人，周边的车辆以及路中的花坛等等。此时可用激光雷达探测周围的目标物体，传感器12分布于车辆的各个部位，传感器12获取到对应的三维激光点云数据，该三维激光点云数据对应的三维场景各不相同。传感器12将三维激光点云数据发送给服务器11后，服务器11根据该三维激光点云数据获取到目标激光点云数据，该目标激光点云数据中包括各激光点在目标三维场景下的坐标。将目标激光点云数据输入到训练好的点云数据模型，即可得到目标物体的大小和位置。
下面以具体的实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
图2为本发明实施例提供的激光点云数据识别方法的流程示意图，如图2所示，包括：
S21，获取目标激光点云数据，所述目标激光点云数据是根据三维激光点云数据中的各激光点在目标三维场景下的坐标信息得到。
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系统，激光点云数据是通过激光雷达向周围发射激光束，当激光束遇到物体时返回激光点云得到的，可采用16线、32线或64线激光雷达。本发明实施例中，各个传感器获取三维激光点云数据，由于各个传感器的位置不同，因此对应获取的三维激光点云数据的坐标系也各不相同。例如，采用本发明实施例提供的方法进行车辆行驶状态中障碍物识别时，需要将传感器安装在车辆的不同部位，如前方、后方或侧面等，在同一时间、同一地点和同一位置的障碍物相对于不同部位的传感器的位置和大小都不一样。此时，将获得的各个坐标系下的三维激光点云数据转换到目标三维场景下，转换方式是首先构建目标三维场景，该目标三维场景的构建采用的方式包括但不限于WebGL技术，此处不作特别限定。同时，获取各三维激光点云数据中各个激光点在对应的坐标系下的坐标，根据各个三维激光点云数据的坐标系与目标三维场景的坐标系的对应关系，将各个激光点在三维场景下的坐标转换为该目标三维场景下的坐标，从而将三维激光数据中各个激光点放入到该目标三维场景中。此时，得到该目标激光点云数据，该目标激光点云数据中包括各个激光点在该目标三维场景坐标系下的空间坐标值。
S22，将所述目标激光点云数据输入到训练好的点云深度学习模型中，得到目标物体识别结果，所述训练好的点云深度学习模型是根据样本目标物体的标注信息得到的模型，所述标注信息包括样本目标物体的大小和位置，所述标注信息是根据点云深度模型输出的预测数据得到的信息，所述预测数据包括预测的所述样本目标物体的大小和位置。
将该目标激光点云数据输入之前，首先要对点云深度学习模型进行训练，采用以往的激光点云标注结果作为训练样本，训练过程分为两个阶段。第一个阶段是将以往的激光点云数据输入到点云深度学习模型中，点云深度学习模型对该激光点云数据的每个数据点进行识别和标注，输出预测数据。其中该激光点云数据已处理为某一三维场景下，预测数据中包括该激光点云数据中预测的各个样本目标物体的大小和位置，输出的方式有多种，包括但不限于点云外的包围框，或者对某坐标的点云数据进行染色处理等，此处不作具体限定。
得到预测数据后，由标注人员对预测数据的准确性进行判定。由于激光点云数据中的数据点已由各三维场景下转换到同一三维场景下，因此对于激光点云数据中的样本目标物体的识别更加有利。若该预测数据中预测的各个样本目标物体的大小和位置均正确，则根据该预测数据中预测的各个样本目标物体的大小和位置，得到标注信息；若该预测数据中有部分预测的样本目标物体的大小和位置不正确，则标注人员对该部分样本目标物体进行人工标注，结合预测数据中预测正确的样本目标物体的大小和位置，以及标注人员人工标注的结果，得到标注信息，该标注信息包括样本目标物体的大小和位置。第二阶段中，将该激光点云数据和该标注信息输入到该点云深度学习模型中，对该点云深度学习模型进行训练，得到训练好的点云深度学习模型。最后，将该目标激光点云数据输入到该训练好的点云深度学习模型中，得到目标物体识别结果，该目标物体识别结果包括目标物体的大小和位置。
本发明实施例提供的激光点云数据识别方法，通过将三维激光点云数据中的各激光点转换到三维场景下，得到目标激光点云数据，使得在三维场景下对目标物体更加容易辨别，同时通过将往期激光点云数据输入点云深度学习模型，得到预测数据，进而在预测数据的基础上由标注人员进行进一步标注，得到标注信息，以标注信息和往期激光点云数据对点云深度学习模型训练，得到训练好的点云深度学习模型，利用该训练好的点云深度学习模型来对目标激光点云数据进行目标物体识别，标注人员无需逐个对往期激光点云数据中的各数据点进行逐一标注，而是在预测数据的基础上对标注错误的部分进行重新标注，极大的减小了标注人员的工作量，提高了标注速度，进而提高了目标物体的识别效率。
下面结合图3，并采用具体的实施例，对图2实施例中点云深度学习模型的训练过程进行详细说明。图3为本发明实施例提供的点云深度学习模型的训练过程的流程示意图，如图3所示，包括：
S31，获取样本目标激光点云数据，所述样本目标激光点云数据是根据样本三维激光点云数据中的各数据点在所述目标三维场景下的坐标信息得到的。
首先获取往期的样本三维激光点云数据，该样本三维激光点云数据是通过各个传感器得到的，对应的坐标系各不相同，该样本三维激光点云数据包括各数据点在对应三维场景下的坐标信息。
根据各个传感器获取的样本三维激光点云数据中，各个三维场景与目标三维场景的对应关系，将各数据点在对应三维场景下的坐标转换到目标三维场景下，从而得到样本目标激光点云数据，该样本目标激光点云数据中包括各数据点在该目标三维场景对应坐标系下的空间坐标值。
S32，根据所述样本目标激光点云数据获取对应的标注信息，所述标注信息包括所述样本目标激光点云数据中样本目标物体的大小和位置。
点云深度学习模型是神经网络模型的一种，将样本目标激光点云数据输入到点云深度学习模型中，该点云深度学习模型对该样本目标激光点云数据中的样本目标物体进行识别，得到预测数据，该预测数据中包括各样本目标物体在该目标三维场景下预测的大小和位置。预测数据中，有部分预测的样本目标物体的大小和位置是准确的，也可能有部分是不准确的，需要标注人员进行具体判断。
预测数据中样本目标物体在该目标三维场景下预测的大小和位置，是根据预测的样本目标物体的中心点坐标以及该样本目标物体的长宽高得到的。根据预测数据中样本目标物体在目标三维场景下预测的中心点坐标以及该样本目标物体的长宽高，得到预测的大小和位置，从而根据预测的大小和位置得到预测立体框，该预测立体框用于包围样本目标物体。
然后标注人员对预测数据的准确性进行判断，对于位于对应的预测立体框中的第一样本目标物体，即预测数据对于该第一样本目标物体的识别是准确的，则获取第一样本目标物体对应的预测数据，得到第一标注信息。
对于不位于对应的预测立体框中的第二样本目标物体，即预测数据对于该第二样本目标物体的识别是不准确的，则标注人员对第二样本目标物体进行人工标注，得到第二标注信息，其中第二标注信息包括第二样本目标物体的大小和位置。
根据第一标注信息和第二标注信息，得到标注信息，即，标注人员在预测数据的基础上进行人工标注，对预测数据识别正确的部分不进行操作，对预测数据识别不正确的部分进行人工标注，由于在目标三维场景下，样本目标物体的识别也相对较容易，因此标注人员的工作量大大降低，标注效率也相应提高。
本发明实施例为进一步提高激光点标注的速度，可通过以下方式实现标注：
标注人员分别在三维和三维坐标系场景中，通过前后若干帧的对比观察，大致辨识出样本目标物体，然后找出相对清晰的一帧，在三维坐标系中选择一点作为起始点，设置样本目标物体的长、宽、高及起始、终止帧，标注系统将自动生成从起始至终止帧的三维点云包围框，标注人员只需在少数需要修改的帧上通过鼠标拖动三维包围框，实现微调至完全贴合，即可标注完成。
S33，根据所述样本目标激光点云数据和所述标注信息，得到样本数据。
得到标注信息后，直接在该目标三维场景下，合并该样本目标激光点云数据和该标注信息，即可得到该样本数据，该样本数据用于对点云深度学习模型进行训练。
S34，根据所述样本数据对所述点云深度学习模型进行训练，得到训练好的点云深度学习模型。
模型训练过程中，输入数据是样本数据中数据点的三维空间坐标，输出数据是样本目标物体的大小和位置，从而以此来训练点云深度学习模型中各层的参数权值。输入样本目标激光点云数据后，该点云深度学习模型会得到相应的预测数据，而标注信息中对样本目标激光点云数据进行了相应的标注，根据预测数据与标注信息的差别，对该点云深度学习模型进行训练，不断调整。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，最后得到训练好的点云深度学习模型。
本发明实施例提供的激光点云数据识别方法，通过将三维激光点云数据中的各激光点转换到三维场景下，得到目标激光点云数据，使得在三维场景下对目标物体更加容易辨别，同时通过将往期激光点云数据输入点云深度学习模型，得到预测数据，进而在预测数据的基础上由标注人员进行进一步标注，得到标注信息，以标注信息和往期激光点云数据对点云深度学习模型训练，得到训练好的点云深度学习模型，利用该训练好的点云深度学习模型来对目标激光点云数据进行目标物体识别，标注人员无需逐个对往期激光点云数据中的各数据点进行逐一标注，而是在预测数据的基础上对标注错误的部分进行重新标注，极大的减小了标注人员的工作量，提高了标注速度，进而提高了目标物体的识别效率。
下面结合图4，以一个具体的实施例来详细描述本申请的方案。图4为本发明又一实施例提供的激光点云数据识别方法的流程示意图，如图4所示，包括：
S401，接收样本三维激光点云数据。
该样本三维激光点云数据可以从往期激光点云数据获得，样本三维激光点云数据可来自一个或多个传感器，每个传感器对应的三维场景都不同。
S402，构建目标三维场景，建立与该目标三维场景对应的三维坐标系。
S403，将样本三维激光点云数据中各数据点的坐标转换为目标三维场景对应的三维坐标系下的坐标。
这一步是根据传感器对应的三维场景和目标三维场景的相对位置关系进行的，转换之后，所有的数据点都在同一个坐标系下，更容易对样本目标物体进行识别。
S404，根据各数据点的三维坐标，将数据点放入到目标三维场景中，得到样本目标激光点云数据。
将各数据点放入同一目标三维场景后，各数据点所在的参考系一致，各数据点以及各样本目标物体的相对关系也更清楚。
S405，将样本目标激光点云数据输入点云深度学习模型，得到预测数据。
这一步是对训练点云深度学习模型的第一步，在将各数据点放入目标三维场景后，将得到的样本目标激光点云数据输入点云深度学习模型，点云深度学习模型对样本目标激光点云数据进行识别，得到初步的识别结果，并对识别结果进行标注，得到预测数据。预测数据中，包括点云深度学习模型预测的各样本目标物体的大小和位置，预测的大小和位置是根据样本目标物体的三维坐标获得的，由于激光点云数据是以点的形式表示的数据，因此点云深度学习模型在进行标注时，会将某一类的点标注为同一个物体，此时获取该物体中心点的坐标，以及该物体的长宽高，即可得到预测的大小和位置。
S406，判断预测数据的准确性，准确则执行步骤S407，不准确则执行步骤S408。
点云深度学习模型对样本目标物体的标注不一定准确，因此需要标注人员人工判断预测数据的准确性，并根据预测数据的准确性来执行不同的操作。
S407，合并样本目标激光点云数据和预测数据，得到样本数据，执行步骤410。
预测数据中，对样本目标物体是以预测立体框的形式标注的，根据预测的样本目标物体的大小和位置，得到预测立体框，若标注人员判断预测数据准确，即样本目标物体位于预测立体框内，则表示点云深度学习模型对样本目标物体的标注都是正确的，此时无需人工进行调整，直接合并样本目标激光点云数据和预测数据，得到样本数据，该样本数据用于对点云深度学习模型进行训练。
S408，标注人员在预测数据的基础上，对预测不准确的部分进行重新标注，得到标注信息。
若标注人员判断预测数据不完全准确，即部分样本目标物体不位于预测立体框内，则标注人员需要对标注不准确的地方人工进行重新标注。为了提高标注效率，标注人员可分别在二维和三维坐标系场景中，大致辨识出样本目标物体，然后选择其中一帧，在二维坐标系中选择一点作为起始点，设置样本目标物体的长、宽、高及起始、终止帧，标注系统将自动生成从起始至终止帧的三维点云包围框，标注人员只需在少数需要修改的帧上通过鼠标拖动三维包围框，实现微调至完全贴合，即可标注完成。
S409，合并样本目标激光点云数据和标注信息，得到样本数据。
标注信息中对样本目标物体的标注是准确的，此时合并样本目标激光点云数据和标注信息，即可得到样本数据。
S410，将样本数据再次输入点云深度学习模型，进行训练，得到训练好的点云深度学习模型。
这一步将样本数据再次输入点云深度学习模型，模型训练过程中，输入数据是样本数据中数据点的三维空间坐标，输出数据是样本目标物体的识别结果，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，得到训练好的点云深度学习模型。
S411，获取三维激光点云数据，根据三维激光点云数据对应的三维场景和目标三维场景的位置关系，将三维激光点云数据中的各激光点转换到目标三维场景下，得到目标激光点云数据。
该步骤是根据三维激光点云数据得到目标激光点云数据，获取方法和根据样本三维激光点云数据得到样本目标激光点云数据的方法一样，首先是接收多个传感器获取的三维激光点云数据，该三维激光点云数据中包括各激光点在对应三维场景下的坐标信息。然后根据各传感器对应的三维场景和目标三维场景的位置关系，将各激光点在对应三维场景下的坐标转换为目标三维场景对应的三维坐标系下的坐标，从而将各激光点从对应三维场景下转换到该目标三维场景下，得到目标激光点云数据。
S412，将目标激光点云数据输入训练好的点云深度学习模型，输出目标物体识别结果。
得到目标激光点云数据后，将其输入训练好的点云深度学习模型，即可得到目标物体的识别结果，该目标物体的识别结果包括目标物体的大小、目标物体的位置、目标物体的运动方向和目标物体的运动速度。其中，目标物体的大小和位置可以通过该训练好的点云深度学习模型直接得到，目标物体的运动方向和运动速度则需要将多帧目标激光点云数据输入训练好的点云深度学习模型来获得。通过多个传感器获取多帧三维激光点云数据，然后根据多帧三维激光点云数据来得到多帧目标激光点云数据。将多帧目标激光点云数据输入训练好的点云深度学习模型后，会得到每一帧目标激光点云数据识别的目标物体的大小和位置。根据每一帧目标物体的位置和每一帧的时间对应关系，即可得到目标物体的运动方向和平均运动速度。
本发明实施例提供的激光点云数据识别方法，通过将三维激光点云数据中的各激光点转换到三维场景下，得到目标激光点云数据，使得在三维场景下对目标物体更加容易辨别，同时通过将往期激光点云数据输入点云深度学习模型，得到预测数据，进而在预测数据的基础上由标注人员进行进一步标注，得到标注信息，以标注信息和往期激光点云数据对点云深度学习模型训练，得到训练好的点云深度学习模型，利用该训练好的点云深度学习模型来对目标激光点云数据进行目标物体识别，得到目标物体的大小、位置、运动方向和运动速度，整个过程中标注人员无需逐个对往期激光点云数据中的各数据点进行逐一标注，而是在预测数据的基础上对标注错误的部分进行重新标注，极大的减小了标注人员的工作量，提高了标注速度，进而提高了目标物体的识别效率。
图5为本发明实施例提供的一种激光点云数据识别装置的结构示意图，如图5所示，包括获取模块51和识别模块52，其中：
获取模块51用于获取目标激光点云数据，所述目标激光点云数据是根据三维激光点云数据中的各激光点在目标三维场景下的坐标信息得到；
识别模块52用于将所述目标激光点云数据输入到训练好的点云深度学习模型中，得到目标物体识别结果，所述训练好的点云深度学习模型是根据样本目标物体的标注信息得到的模型，所述标注信息包括样本目标物体的大小和位置，所述标注信息是根据点云深度模型输出的预测数据得到的信息，所述预测数据包括预测的所述样本目标物体的大小和位置。
在一种可能的设计中，还包括训练模块，所述训练模块用于：
获取样本目标激光点云数据，所述样本目标激光点云数据是根据样本三维激光点云数据中的各数据点在所述目标三维场景下的坐标信息得到的；
根据所述样本目标激光点云数据获取对应的标注信息，所述标注信息包括所述样本目标激光点云数据中样本目标物体的大小和位置；
根据所述样本目标激光点云数据和所述标注信息，得到样本数据；
根据所述样本数据对所述点云深度学习模型进行训练，得到训练好的点云深度学习模型。
在一种可能的设计中，所述训练模块还用于：
获取样本三维激光点云数据，所述样本三维激光点云数据包括各数据点在对应三维场景下的坐标信息；
将所述各数据点在对应三维场景下的坐标信息转换到所述目标三维场景下，得到所述样本目标激光点云数据。
在一种可能的设计中，所述训练模块还用于：
将所述样本目标激光点云数据输入到点云深度学习模型中，得到预测数据，所述预测数据包括各样本目标物体在所述目标三维场景下预测的大小和位置；
基于所述预测数据，获取所述样本目标激光点云数据对应的标注信息。
在一种可能的设计中，所述训练模块还用于：
根据所述预测数据中所述样本目标物体在所述目标三维场景下预测的大小和位置，得到预测立体框，所述预测立体框用于包围所述样本目标物体；
对于位于对应的所述预测立体框中的第一样本目标物体，获取所述第一样本目标物体对应的预测数据，得到第一标注信息；
对于不位于对应的所述预测立体框中的第二样本目标物体，获取用户对所述第二样本目标物体的第二标注信息，所述第二标注信息包括所述第二样本目标物体的大小和位置；
根据所述第一标注信息和所述第二标注信息，得到所述标注信息。
在一种可能的设计中，所述获取模块51还用于：
接收多个传感器获取的三维激光点云数据，所述三维激光点云数据包括各激光点在对应三维场景下的坐标信息；
将所述各激光点在对应三维场景下的转换到所述目标三维场景下，得到所述目标激光点云数据。
在一种可能的设计中，所述目标物体识别结果具体包括：
所述目标物体的大小、所述目标物体的位置、所述目标物体的运动方向和所述目标物体的运动速度。
本发明实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图6为本发明实施例提供的激光点云数据识别设备的硬件结构示意图，如图6所示，该激光点云数据识别设备包括：至少一个处理器61和存储器62。其中，处理器61和存储器62通过总线63连接。
可选地，该模型确定还包括通信部件。例如，通信部件可以包括接收器和/或发送器。
在具体实现过程中，至少一个处理器61执行所述存储器62存储的计算机执行指令，使得至少一个处理器61执行如上的激光点云数据识别方法。
处理器61的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述图6所示的实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的激光点云数据识别方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种激光点云数据识别方法，其特征在于，包括：
获取目标激光点云数据，所述目标激光点云数据是根据三维激光点云数据中的各激光点在目标三维场景下的坐标信息得到；
将所述目标激光点云数据输入到训练好的点云深度学习模型中，得到目标物体识别结果，所述训练好的点云深度学习模型是根据样本目标物体的标注信息得到的模型，所述标注信息包括样本目标物体的大小和位置，将样本目标激光点云数据输入到所述点云深度学习模型中，得到预测数据，所述预测数据包括预测的各所述样本目标物体在目标三维场景下预测的大小和位置；
根据所述预测数据中所述样本目标物体在所述目标三维场景下预测的大小和位置，得到预测立体框，所述预测立体框用于包围所述样本目标物体；
对于位于对应的所述预测立体框中的第一样本目标物体，获取所述第一样本目标物体对应的预测数据，得到第一标注信息；
对于不位于对应的所述预测立体框中的第二样本目标物体，获取用户对所述第二样本目标物体的第二标注信息，所述第二标注信息包括所述第二样本目标物体的大小和位置；
根据所述第一标注信息和所述第二标注信息，得到所述标注信息；
在所述获取目标激光点云数据之前，所述方法还包括：
接收多个传感器获取的三维激光点云数据，所述三维激光点云数据包括各激光点在对应三维场景下的坐标信息；
将所述各激光点在对应三维场景下的转换到所述目标三维场景下，得到所述目标激光点云数据。
2.根据权利要求1所述的方法，其特征在于，所述训练好的点云深度学习模型，通过以下步骤获取：
获取样本目标激光点云数据，所述样本目标激光点云数据是根据样本三维激光点云数据中的各数据点在所述目标三维场景下的坐标信息得到的；
根据所述样本目标激光点云数据获取对应的标注信息，所述标注信息包括所述样本目标激光点云数据中样本目标物体的大小和位置；
根据所述样本目标激光点云数据和所述标注信息，得到样本数据；
根据所述样本数据对所述点云深度学习模型进行训练，得到训练好的点云深度学习模型。
3.根据权利要求2所述的方法，其特征在于，所述获取样本目标激光点云数据，具体包括：
获取样本三维激光点云数据，所述样本三维激光点云数据包括各数据点在对应三维场景下的坐标信息；
将所述各数据点在对应三维场景下的坐标信息转换到所述目标三维场景下，得到所述样本目标激光点云数据。
4.根据权利要求1所述的方法，其特征在于，所述目标物体识别结果具体包括：
所述目标物体的大小、所述目标物体的位置、所述目标物体的运动方向和所述目标物体的运动速度。
5.一种激光点云数据识别装置，其特征在于，包括：
获取模块，用于获取目标激光点云数据，所述目标激光点云数据是根据三维激光点云数据中的各激光点在目标三维场景下的坐标信息得到；
识别模块，用于将所述目标激光点云数据输入到训练好的点云深度学习模型中，得到目标物体识别结果，所述训练好的点云深度学习模型是根据样本目标物体的标注信息得到的模型，所述标注信息包括样本目标物体的大小和位置，将样本目标激光点云数据输入到所述点云深度学习模型中，得到预测数据，所述预测数据包括预测的各所述样本目标物体在目标三维场景下预测的大小和位置；
根据所述预测数据中所述样本目标物体在所述目标三维场景下预测的大小和位置，得到预测立体框，所述预测立体框用于包围所述样本目标物体；
对于位于对应的所述预测立体框中的第一样本目标物体，获取所述第一样本目标物体对应的预测数据，得到第一标注信息；
对于不位于对应的所述预测立体框中的第二样本目标物体，获取用户对所述第二样本目标物体的第二标注信息，所述第二标注信息包括所述第二样本目标物体的大小和位置；
根据所述第一标注信息和所述第二标注信息，得到所述标注信息；
所述获取模块还用于：
接收多个传感器获取的三维激光点云数据，所述三维激光点云数据包括各激光点在对应三维场景下的坐标信息；
将所述各激光点在对应三维场景下的转换到所述目标三维场景下，得到所述目标激光点云数据。
6.一种激光点云数据识别设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至4任一项所述的激光点云数据识别方法。
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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至4任一项所述的激光点云数据识别方法。
CN201910433324.7A 2019-05-23 2019-05-23 激光点云数据识别方法及装置 Active CN110263652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910433324.7A CN110263652B (zh) 2019-05-23 2019-05-23 激光点云数据识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910433324.7A CN110263652B (zh) 2019-05-23 2019-05-23 激光点云数据识别方法及装置

Publications (2)

Publication Number Publication Date
CN110263652A CN110263652A (zh) 2019-09-20
CN110263652B true CN110263652B (zh) 2021-08-03

Family

ID=67915120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910433324.7A Active CN110263652B (zh) 2019-05-23 2019-05-23 激光点云数据识别方法及装置

Country Status (1)

Country Link
CN (1) CN110263652B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816050A (zh) * 2019-02-23 2019-05-28 深圳市商汤科技有限公司 物体位姿估计方法及装置
CN110717918B (zh) * 2019-10-11 2022-06-07 北京百度网讯科技有限公司 行人检测方法和装置
CN110751090B (zh) * 2019-10-18 2022-09-20 宁波博登智能科技有限公司 一种三维点云标注方法、装置及电子设备
TWI759651B (zh) * 2019-11-21 2022-04-01 財團法人工業技術研究院 基於機器學習的物件辨識系統及其方法
CN110956137A (zh) * 2019-12-02 2020-04-03 深圳市镭神智能系统有限公司 点云数据的目标检测方法、系统及介质
CN111160198B (zh) * 2019-12-23 2023-06-27 北方工业大学 基于宽度学习的物体识别方法及系统
CN111223107A (zh) * 2019-12-31 2020-06-02 武汉中海庭数据技术有限公司 基于点云深度学习的点云数据集制作系统及方法
CN111695497B (zh) * 2020-06-10 2024-04-09 上海有个机器人有限公司 基于运动信息的行人识别方法、介质、终端和装置
CN111832471B (zh) * 2020-07-10 2024-04-12 北京经纬恒润科技股份有限公司 一种物体识别方法及装置
CN111751802B (zh) * 2020-07-27 2021-07-13 北京工业大学 一种光子级自适应高灵敏度空间微弱目标探测系统及探测方法
CN112036442A (zh) * 2020-07-31 2020-12-04 上海图森未来人工智能科技有限公司 多帧3d点云数据中物体追踪标注的方法和装置、存储介质
CN111950428A (zh) * 2020-08-06 2020-11-17 东软睿驰汽车技术（沈阳）有限公司 目标障碍物识别方法、装置及运载工具
CN112487868A (zh) * 2020-11-04 2021-03-12 西人马帝言(北京)科技有限公司 一种物体识别方法、装置、设备及存储介质
CN112414396A (zh) * 2020-11-05 2021-02-26 山东产研信息与人工智能融合研究院有限公司 现实场景中物体模位置测量方法、装置、存储介质及设备
CN113554086A (zh) * 2021-07-20 2021-10-26 广东工业大学 基于深度学习的煤堆取煤点提取方法及装置
CN113673622B (zh) * 2021-08-31 2023-04-07 三一专用汽车有限责任公司 激光点云数据标注方法、装置、设备及产品
CN115827906B (zh) * 2022-12-22 2023-11-10 深圳市镭神智能系统有限公司 目标标注方法、装置、电子设备及计算机可读存储介质
CN116413740B (zh) * 2023-06-09 2023-09-05 广汽埃安新能源汽车股份有限公司 一种激光雷达点云地面检测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324937B (zh) * 2012-03-21 2016-08-03 日电（中国）有限公司 标注目标的方法和装置
CN106707293B (zh) * 2016-12-01 2019-10-29 百度在线网络技术（北京）有限公司 用于车辆的障碍物识别方法和装置
US10552689B2 (en) * 2017-11-09 2020-02-04 Here Global B.V. Automatic occlusion detection in road network data
CN108154560A (zh) * 2018-01-25 2018-06-12 北京小马慧行科技有限公司 激光点云标注方法、装置及可读存储介质
CN108280886A (zh) * 2018-01-25 2018-07-13 北京小马智行科技有限公司 激光点云标注方法、装置及可读存储介质
CN109460795A (zh) * 2018-12-17 2019-03-12 北京三快在线科技有限公司 分类器训练方法、装置、电子设备及计算机可读介质

Also Published As

Publication number Publication date
CN110263652A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110263652B (zh) 激光点云数据识别方法及装置
CN109285220B (zh) 一种三维场景地图的生成方法、装置、设备及存储介质
JP6794436B2 (ja) 非障害物エリア検出のためのシステムおよび方法
CN109584302B (zh) 相机位姿优化方法、装置、电子设备和计算机可读介质
CN109214348A (zh) 一种障碍物检测方法、装置、设备及存储介质
CN111340797A (zh) 一种激光雷达与双目相机数据融合检测方法及系统
CN112257605B (zh) 基于自标注训练样本的三维目标检测方法、系统及装置
CN109870698B (zh) 一种超声波阵列障碍物检测结果处理方法及系统
CN112949366B (zh) 障碍物识别方法和装置
CN113378760A (zh) 训练目标检测模型和检测目标的方法及装置
CN105046688A (zh) 一种三维点云中的多平面自动识别方法
CN113907663B (zh) 障碍物地图构建方法、清洁机器人及存储介质
CN110197106A (zh) 物件标示系统及方法
CN112927309B (zh) 一种车载相机标定方法、装置、车载相机及存储介质
CN109871829A (zh) 一种基于深度学习的检测模型训练方法和装置
CN114519853A (zh) 一种基于多模态融合的三维目标检测方法及系统
CN116597122A (zh) 数据标注方法、装置、电子设备及存储介质
CN114463713A (zh) 一种车辆在3d空间的信息检测方法、装置及电子设备
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
CN117496515A (zh) 点云数据标注方法、存储介质和电子设备
CN116343165A (zh) 一种3d目标检测系统、方法、终端设备及存储介质
CN114638947A (zh) 数据标注方法、装置、电子设备及存储介质
CN112528918A (zh) 道路元素识别方法、地图标注方法及装置、车辆
CN115236672A (zh) 障碍物信息生成方法、装置、设备及计算机可读存储介质
CN114445648A (zh) 障碍物识别方法、设备及存储介质

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