CN111291697B - 用于识别障碍物的方法和装置 - Google Patents
用于识别障碍物的方法和装置 Download PDFInfo
- Publication number
- CN111291697B CN111291697B CN202010101713.2A CN202010101713A CN111291697B CN 111291697 B CN111291697 B CN 111291697B CN 202010101713 A CN202010101713 A CN 202010101713A CN 111291697 B CN111291697 B CN 111291697B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- training
- sample
- sample set
- point cloud
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000000779 smoke Substances 0.000 claims abstract description 55
- 238000007637 random forest analysis Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 84
- 230000004888 barrier function Effects 0.000 claims description 46
- 230000011218 segmentation Effects 0.000 claims description 46
- 238000003066 decision tree Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 239000003595 mist Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本公开的实施例公开了用于识别障碍物的方法和装置。该方法的一具体实施方式包括：获取待识别的激光点云；将待识别的激光点云进行分割，确定出至少一个障碍物；对于至少一个障碍物中的每个障碍物，从该障碍物中提取至少一种特征；对于至少一个障碍物中的每个障碍物，将该障碍物的至少一种特征输入预先训练好的随机森林，确定该障碍物是否为雨水烟雾障碍物。该实施方式能够检测出雨水烟雾等在人类驾驶时不会阻碍车辆前进的障碍物，不会影响到自动驾驶车辆的前进。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于识别障碍物的方法和装置。
背景技术
在当今自动驾驶感知技术中，为了针对不同障碍物采取不同应对策略，需要对障碍物所属类别进行判断。因为激光点云的数据特点，雨水烟雾等在人类驾驶时不会阻碍车辆前进的障碍物会被检测出来，影响到自动驾驶车辆的前进。因而需要对这类障碍物进行分类，确认一个检出的障碍物是真实存在的会阻碍驾驶的障碍物，如车辆、行人等；还是不会阻碍驾驶的障碍物，如水雾、扬尘等。
传统的无人驾驶汽车遇到洒水车洒出的水雾、雨天溅起的水花、汽车尾气等，无法很好处理，会误报为障碍物，导致急刹、接管等问题。
发明内容
本公开的实施例提出了用于识别障碍物的方法和装置。
第一方面，本公开的实施例提供了一种用于识别障碍物的方法，包括：获取待识别的激光点云；将待识别的激光点云进行分割，确定出至少一个障碍物；对于至少一个障碍物中的每个障碍物，从该障碍物中提取至少一种特征；对于至少一个障碍物中的每个障碍物，将该障碍物的至少一种特征输入预先训练好的随机森林，投票确定该障碍物是否为雨水烟雾障碍物。
在一些实施例中，特征包括以下至少一种：障碍物大小、障碍物位置、分割概率、类别概率、分割方式、点云密度分布、反射值分布
在一些实施例中，随机森林通过以下方法训练：获取训练样本集，其中，训练样本集包括雨水烟雾障碍物样本集合和非雨水烟雾障碍物样本集合；对于训练样本集中的每个训练样本提取以下至少一种特征：障碍物大小、障碍物位置、分割概率、类别概率、分割方式、点云密度分布、反射值分布；从训练样本集随机选取训练子集并从上述特征随机选取特征构造至少一棵决策树，其中，每棵决策树用于判断障碍物是否为雨水烟雾障碍物；将至少一棵决策树组成随机森林。
在一些实施例中，获取训练样本集，包括：获取样本激光点云；将样本激光点云进行分割，确定出至少一个样本障碍物；将至少一个样本障碍物分别打上可穿透/不可穿透标签，得到雨水烟雾障碍物样本/非雨水烟雾障碍物样本。
在一些实施例中，该方法还包括：将打上可穿透标签的样本障碍物进行如下至少一种方式处理，生成新的雨水烟雾障碍物样本：切割、随机筛选点数、旋转坐标。
在一些实施例中，从训练样本集随机选取训练子集，包括：获取训练过程中误检的训练样本；从训练样本集随机选取训练子集时增加误检的训练样本的权重。
第二方面，本公开的实施例提供了一种用于识别障碍物的装置，包括：获取单元，被配置成获取待识别的激光点云；分割单元，被配置成将待识别的激光点云进行分割，确定出至少一个障碍物；提取单元，被配置成对于至少一个障碍物中的每个障碍物，从该障碍物中提取至少一种特征；确定单元，被配置成对于至少一个障碍物中的每个障碍物，将该障碍物的至少一种特征输入预先训练好的随机森林，投票确定该障碍物是否为雨水烟雾障碍物。
在一些实施例中，该装置还包括训练单元，被配置成：获取训练样本集，其中，训练样本集包括雨水烟雾障碍物样本集合和非雨水烟雾障碍物样本集合；对于训练样本集中的每个训练样本提取以下至少一种特征：障碍物大小、障碍物位置、分割概率、类别概率、分割方式、点云密度分布、反射值分布；从训练样本集随机选取训练子集并从上述特征随机选取特征构造至少一棵决策树，其中，每棵决策树用于判断障碍物是否为雨水烟雾障碍物；将至少一棵决策树组成随机森林。
在一些实施例中，训练单元进一步被配置成：获取样本激光点云；将样本激光点云进行分割，确定出至少一个样本障碍物；将至少一个样本障碍物分别打上可穿透/不可穿透标签，得到雨水烟雾障碍物样本/非雨水烟雾障碍物样本。
在一些实施例中，训练单元进一步被配置成：将打上可穿透标签的样本障碍物进行如下至少一种方式处理，生成新的雨水烟雾障碍物样本：切割、随机筛选点数、旋转坐标。
在一些实施例中，训练单元进一步被配置成：获取训练过程中误检的训练样本；从训练样本集随机选取训练子集时增加误检的训练样本的权重。
在一些实施例中，障碍物特征包括以下至少一种：障碍物大小、障碍物位置、分割概率、类别概率、分割方式、点云密度分布、反射值分布。
第三方面，本公开的实施例提供了一种用于识别障碍物的电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
本公开的实施例提供的用于识别障碍物的方法和装置，直接利用原始数据作为输入进行分类，用随机森林算法对障碍物进行分类，可以有效去除水雾、扬尘等不阻碍行驶的障碍物，解决误报问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于识别障碍物的方法的一个实施例的流程图；
图3是根据本公开的用于识别障碍物的方法的一个应用场景的示意图；
图4是根据本公开的用于识别障碍物的方法的又一个实施例的流程图；
图5是根据本公开的用于识别障碍物的装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开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相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本申请的用于识别障碍物的方法或用于识别障碍物的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括无人车101。
无人车101中可以安装有驾驶控制设备1011、网络1012和激光雷达1013。网络1012用以在驾驶控制设备1011和激光雷达1013之间提供通信链路的介质。网络1012可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
驾驶控制设备(又称为车载大脑)1011负责无人车101的智能控制。驾驶控制设备1011可以是单独设置的控制器，例如可编程逻辑控制器(Programmable LogicController，PLC)、单片机、工业控制机等；也可以是由其他具有输入/输出端口，并具有运算控制功能的电子器件组成的设备；还可以是安装有车辆驾驶控制类应用的计算机设备。
需要说明的是，实践中无人车101中还可以安装有至少一个传感器，例如，摄像机、重力传感器、轮速传感器等。某些情况下，无人车101中还可以安装有GNSS(GlobalNavigation Satellite System，全球导航卫星系统)设备和SINS(Strap-down InertialNavigation System，捷联惯性导航系统)等等。
需要说明的是，本申请实施例所提供的用于识别障碍物的方法一般由驾驶控制设备1011执行，相应地，用于识别障碍物的装置一般设置于驾驶控制设备1011中。
应该理解，图1中的驾驶控制设备、网络和激光雷达的数目仅仅是示意性的。根据实现需要，可以具有任意数目的驾驶控制设备、网络和激光雷达。
继续参考图2，其示出了根据本申请的用于识别障碍物的方法的一个实施例的流程200。该用于识别障碍物的方法，包括以下步骤：
步骤201，获取待识别的激光点云。
在本实施例中，在无人车行驶过程中，无人车上安装的各种车载传感器(例如，激光雷达、照相机、毫米波雷达等)可以实时采集外界环境信息，激光雷达采集三维点云数据传输给用于识别障碍物的方法运行于其上的电子设备(例如，图1所示的驾驶控制设备)。上述电子设备可以对所接收的各种传感器数据进行分析处理，以对车辆周围环境进行感知，而进行车辆的路径规划和行驶控制。
由于激光雷达可安放在环境中的任意位置，在环境中选择一个基准坐标系来描述激光雷达的位置，并用它描述环境中任何物体的位置。该坐标系称为世界坐标系。
步骤202，将待识别的激光点云进行分割，确定出至少一个障碍物。
在本实施例中，点云分割的目的是提取点云中的不同物体，从而实现分而治之，突出重点，单独处理的目的。而在现实点云数据中，往往对场景中的物体有一定先验知识。比如：桌面墙面多半是大平面，桌上的罐子应该是圆柱体，长方体的盒子可能是牛奶盒......对于复杂场景中的物体，其几何外形可以归结于简单的几何形状。这为分割带来了巨大的便利，因为简单几何形状是可以用方程来描述的，或者说，可以用有限的参数来描述复杂的物体。而方程则代表着物体的拓扑抽象。可采用RanSaC等算法将此类物体分割出来。由于点云分割是现有技术，因此不再赘述。
通过点云分割算法可从激光点云中分割出至少一个障碍物，障碍物可能是车辆、行人、树木等非雨水烟雾障碍物，还可能是雨水烟雾障碍物。点云分割算法无法确定出障碍物的种类，因此还需要后续步骤203-204进行进一步识别。
步骤203，对于至少一个障碍物中的每个障碍物，从该障碍物中提取至少一种特征。
在本实施例中，点云分割出的障碍物可分为两类：雨水烟雾障碍物和非雨水烟雾障碍物。其中雨水烟雾障碍物类障碍物不会阻碍行驶，无人车可穿过雨水烟雾障碍物。而非雨水烟雾障碍物会阻碍行驶，需要控制无人车刹车或改变路径。
雨水烟雾障碍物可包括以下至少一种特征：障碍物大小、障碍物位置、分割概率、类别概率、分割方式、点云密度分布、反射值分布。
1)障碍物大小：障碍物长、宽、高(length,width,height).
2)障碍物位置：(相对于主车的位置)x,y,z坐标。
3)分割概率：上游分割模块对每个分割出的障碍物会给定一个置信度，即该障碍物是实体障碍物的概率，这个概率作为一个特征。
4)分割方式：上游有多个分割模块，不同的分割模块可采用不同的分割算法。最终分割结果是多个分割模块结果的总和，该特征用于标记该障碍物来自于哪个分割模块。
5)类别概率：上游分割模块对每个分割出的障碍物类别会给定一个置信度。这里的类别只包括各类主要的实体障碍物，如：人、车、非机动车、和其他。
6)点云密度分布：障碍物是一团点云，对该点云分别在x,y,z轴三维坐标方向上进行点云密度直方图统计，即统计点云在x,y,z轴空间内的密度分布，以此来代表点云的形状特征。
7)反射值分布：点云除了x,y,z坐标外，每个点还有反射值特征，不同颜色/材质的物体反射值一般不同。对整个障碍物的反射值进行直方图统计，作为分类的特征输入。
最终分类特征可以为以上各特征的子集和组合。
步骤204，对于至少一个障碍物中的每个障碍物，将该障碍物的至少一种特征输入预先训练好的随机森林，确定该障碍物是否为雨水烟雾障碍物。
在本实施例中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。每次只随机取样本的子集建一个决策树，然后组成多个决策树。例如，客户端有100个样本，分三次根据50个样本分别生成三个决策树，组成随机森林模型。
通过随机森林模型对分割出的障碍物是否为雨水烟雾障碍物进行投票表决，分别得到结果，通过投票表决结果，决定障碍物是否为雨水烟雾障碍物(投票机制有一票否决制、少数服从多数、加权多数)。
继续参见图3，图3是根据本实施例的用于识别障碍物的方法的应用场景的一个示意图。在图3的应用场景中，无人车采集到点云数据后进行分割，得到至少一个障碍物。然后对每个障碍物，将该障碍物输入随机森林，由随机森林中每个决策树投票表决该障碍物是否是雨水烟雾障碍物，投票结果为少数服从多数。最后如果判断出无人车既定路径上存在雨水烟雾障碍物，无需刹车或绕行，可直接穿透。
进一步参考图4，其示出了用于识别障碍物的方法的又一个实施例的流程400。该用于识别障碍物的方法的流程400，包括以下步骤：
步骤401，获取训练样本集。
在本实施例中，训练样本集包括雨水烟雾障碍物样本集合和非雨水烟雾障碍物样本集合。在无人车行驶过程中，无人车上安装的各种车载传感器(例如，激光雷达、照相机、毫米波雷达等)可以实时采集外界环境信息，激光雷达采集三维点云数据传输给用于识别障碍物的方法运行于其上的电子设备(例如，图1所示的驾驶控制设备)。进行点云分割得到至少一个障碍物。对已经分割好的障碍物分别打上正负样本(雨雾、非雨雾)标签，因为正样本(雨雾样本)较少，采取一定样本增强方式，包括但不限于：切割、随机筛选点数、旋转坐标等方式。切割是指将点云数据分割裁剪。随机筛选点数是指从已有的雨雾样本点云数据中随机抽取点云数据组成新雨雾样本。旋转坐标指的是以z轴为中心旋转点云数据。
步骤402，对于训练样本集中的每个训练样本提取至少一种特征。
在本实施例中，具体步骤参考步骤203所示。
步骤403，从训练样本集随机选取训练子集并从上述特征随机选取特征构造至少一棵决策树。
在本实施例中，每棵决策树用于判断障碍物是否为雨水烟雾障碍物根据下列算法而建造每棵决策树：
1、用N来表示训练用例(样本)的个数，M表示特征数目。
2、输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于M。
3、从N个训练用例(样本)中以有放回抽样的方式，取样N次，形成一个训练集(即bootstrap取样)，并用未抽到的用例(样本)作预测，评估其误差。
4、对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的。根据这m个特征，计算其最佳的分裂方式。对每个特征，选定分裂值，按这个分裂值划分好的类别计算熵，最小的那个特征就会被确定为当前特征、熵最小的分裂值被确定为当前的分裂值。
决策树思想，实际上就是寻找最纯净的划分方法，这个最纯净在数学上叫纯度，纯度通俗点理解就是目标变量要分得足够开(y＝1的和y＝0的混到一起就会不纯)。另一种理解是分类误差率的一种衡量。实际决策树算法往往用到的是，纯度的另一面也即不纯度，下面是不纯度的公式。不纯度的选取有多种方法，每种方法也就形成了不同的决策树方法，比如ID3算法使用信息增益作为不纯度；C4.5算法使用信息增益率作为不纯度；CART算法使用基尼系数作为不纯度。
建立决策树的方法为现有技术，因此不再赘述。
通过随机森林进行分类，训练时对训练数据进行挖掘，加大分错样本的权重，以提高分类效果。
步骤404，将至少一棵决策树组成随机森林。
在本实施例中，至少一棵决策树形成随机森林，通过投票表决结果，决定数据属于哪一类(投票机制有一票否决制、少数服从多数、加权多数)。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于识别障碍物的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于识别障碍物的装置500包括：获取单元501、分割单元502、提取单元503和确定单元504。其中，获取单元501，被配置成获取待识别的激光点云；分割单元502，被配置成将所述待识别的激光点云进行分割，确定出至少一个障碍物；提取单元503，被配置成对于所述至少一个障碍物中的每个障碍物，从该障碍物中提取至少一种特征；确定单元504，被配置成对于所述至少一个障碍物中的每个障碍物，将该障碍物的至少一种特征输入预先训练好的随机森林，投票确定该障碍物是否为雨水烟雾障碍物。
在本实施例中，用于识别障碍物的装置500的获取单元501、分割单元502、提取单元503和确定单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中，装置500还包括训练单元(附图中未示出)，被配置成：获取训练样本集，其中，训练样本集包括雨水烟雾障碍物样本集合和非雨水烟雾障碍物样本集合；对于训练样本集中的每个训练样本提取以下至少一种特征：障碍物大小、障碍物位置、分割概率、类别概率、分割方式、点云密度分布、反射值分布；从训练样本集随机选取训练子集并从上述特征随机选取特征构造至少一棵决策树，其中，每棵决策树用于判断障碍物是否为雨水烟雾障碍物；将至少一棵决策树组成随机森林。
在本实施例的一些可选的实现方式中，训练单元进一步被配置成：获取样本激光点云；将样本激光点云进行分割，确定出至少一个样本障碍物；将至少一个样本障碍物分别打上可穿透/不可穿透标签，得到雨水烟雾障碍物样本/非雨水烟雾障碍物样本。
在本实施例的一些可选的实现方式中，训练单元进一步被配置成：将打上可穿透标签的样本障碍物进行如下至少一种方式处理，生成新的雨水烟雾障碍物样本：切割、随机筛选点数、旋转坐标。
在本实施例的一些可选的实现方式中，训练单元进一步被配置成：获取训练过程中误检的训练样本；从训练样本集随机选取训练子集时增加误检的训练样本的权重。
在本实施例的一些可选的实现方式中，障碍物特征包括以下至少一种：障碍物大小、障碍物位置、分割概率、类别概率、分割方式、点云密度分布、反射值分布。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待识别的激光点云；将待识别的激光点云进行分割，确定出至少一个障碍物；对于至少一个障碍物中的每个障碍物，从该障碍物中提取至少一种特征；对于至少一个障碍物中的每个障碍物，将该障碍物的至少一种特征输入预先训练好的随机森林，确定该障碍物是否为雨水烟雾障碍物。
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公开的实施例的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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、分割单元、提取单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待识别的激光点云的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，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所述发明构思的情况下，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。例如上述特征与本公开中公开的(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 (10)
1.一种用于识别障碍物的方法，包括：
获取待识别的激光点云；
通过多个分割模块采用不同的分割算法将所述待识别的激光点云进行分割，确定出至少一个障碍物；
对于所述至少一个障碍物中的每个障碍物，从该障碍物中提取特征，其中，特征包括：分割方式，其中，分割方式用于标记障碍物来自于哪个分割模块，最终分割结果是多个分割模块结果的总和；
对于所述至少一个障碍物中的每个障碍物，将该障碍物的特征输入预先训练好的随机森林，确定该障碍物是否为雨水烟雾障碍物；
其中，所述随机森林通过以下方法训练：
获取训练样本集，其中，所述训练样本集包括雨水烟雾障碍物样本集合和非雨水烟雾障碍物样本集合；
对于所述训练样本集中的每个训练样本提取特征，其中，特征包括：分割方式；
从训练样本集随机选取训练子集并从上述特征随机选取特征构造至少一棵决策树，其中，每棵决策树用于判断障碍物是否为雨水烟雾障碍物；
将所述至少一棵决策树组成随机森林。
2.根据权利要求1所述的方法，其中，所述获取训练样本集，包括：
获取样本激光点云；
将所述样本激光点云进行分割，确定出至少一个样本障碍物；
将所述至少一个样本障碍物分别打上可穿透/不可穿透标签，得到雨水烟雾障碍物样本/非雨水烟雾障碍物样本。
3.根据权利要求2所述的方法，其中，所述方法还包括：
将打上可穿透标签的样本障碍物进行如下至少一种方式处理，生成新的雨水烟雾障碍物样本：
切割、随机筛选点数、旋转坐标。
4.根据权利要求1所述的方法，其中，所述从训练样本集随机选取训练子集，包括：
获取训练过程中误检的训练样本；
从训练样本集随机选取训练子集时增加误检的训练样本的权重。
5.一种用于识别障碍物的装置，包括：
获取单元，被配置成获取待识别的激光点云；
分割单元，被配置成通过多个分割模块采用不同的分割算法将所述待识别的激光点云进行分割，确定出至少一个障碍物；
提取单元，被配置成对于所述至少一个障碍物中的每个障碍物，从该障碍物中提取特征，其中，特征包括：分割方式，其中，分割方式用于标记障碍物来自于哪个分割模块，最终分割结果是多个分割模块结果的总和；
确定单元，被配置成对于所述至少一个障碍物中的每个障碍物，将该障碍物的特征输入预先训练好的随机森林，确定该障碍物是否为雨水烟雾障碍物；
训练单元，被配置成：
获取训练样本集，其中，所述训练样本集包括雨水烟雾障碍物样本集合和非雨水烟雾障碍物样本集合；
对于所述训练样本集中的每个训练样本提取特征，其中，特征包括：分割方式；
从训练样本集随机选取训练子集并从上述特征随机选取特征构造至少一棵决策树，其中，每棵决策树用于判断障碍物是否为雨水烟雾障碍物；
将所述至少一棵决策树组成随机森林。
6.根据权利要求5所述的装置，其中，所述训练单元进一步被配置成：
获取样本激光点云；
将所述样本激光点云进行分割，确定出至少一个样本障碍物；
将所述至少一个样本障碍物分别打上可穿透/不可穿透标签，得到雨水烟雾障碍物样本/非雨水烟雾障碍物样本。
7.根据权利要求5所述的装置，其中，所述训练单元进一步被配置成：
将打上可穿透标签的样本障碍物进行如下至少一种方式处理，生成新的雨水烟雾障碍物样本：
切割、随机筛选点数、旋转坐标。
8.根据权利要求5所述的装置，其中，所述训练单元进一步被配置成：
获取训练过程中误检的训练样本；
从训练样本集随机选取训练子集时增加误检的训练样本的权重。
9.一种用于识别障碍物的电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010101713.2A CN111291697B (zh) | 2020-02-19 | 2020-02-19 | 用于识别障碍物的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010101713.2A CN111291697B (zh) | 2020-02-19 | 2020-02-19 | 用于识别障碍物的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111291697A CN111291697A (zh) | 2020-06-16 |
| CN111291697B true CN111291697B (zh) | 2023-11-21 |
Family
ID=71029256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010101713.2A Active CN111291697B (zh) | 2020-02-19 | 2020-02-19 | 用于识别障碍物的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111291697B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163280B (zh) * | 2020-10-28 | 2022-02-01 | 腾讯科技（深圳）有限公司 | 一种自动驾驶场景的模拟方法、装置、设备以及存储介质 |
| CN112498369B (zh) * | 2020-12-07 | 2022-04-29 | 北京小马慧行科技有限公司 | 车辆的控制方法、控制装置、处理器和车辆 |
| CN112541475B (zh) * | 2020-12-24 | 2024-01-19 | 北京百度网讯科技有限公司 | 感知数据检测方法及装置 |
| CN112836681B (zh) * | 2021-03-03 | 2024-01-26 | 上海高仙自动化科技发展有限公司 | 一种障碍物标记方法、装置及可读非暂时性存储介质 |
| CN113763263A (zh) * | 2021-07-27 | 2021-12-07 | 华能伊敏煤电有限责任公司 | 基于点云尾气过滤技术的水雾尾气噪声处理方法 |
| WO2023065312A1 (zh) * | 2021-10-22 | 2023-04-27 | 深圳市速腾聚创科技有限公司 | 障碍物识别方法、装置、存储介质及电子设备 |
| CN115880946B (zh) * | 2023-01-06 | 2023-06-06 | 广州通达汽车电气股份有限公司 | 一种跟车警报方法、装置、设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103166830A (zh) * | 2011-12-14 | 2013-06-19 | 中国电信股份有限公司 | 一种智能选择训练样本的垃圾邮件过滤系统和方法 |
| CN104952056A (zh) * | 2014-03-26 | 2015-09-30 | 株式会社理光 | 一种基于立体视觉的目标检测方法和系统 |
| CN105303844A (zh) * | 2015-10-26 | 2016-02-03 | 南京本来信息技术有限公司 | 基于激光的夜间高速公路团雾自动检测装置及其检测方法 |
| CN105324287A (zh) * | 2013-04-11 | 2016-02-10 | 谷歌公司 | 使用车载传感器检测天气条件的方法和系统 |
| CN108389251A (zh) * | 2018-03-21 | 2018-08-10 | 南京大学 | 基于融合多视角特征的投影全卷积网络三维模型分割方法 |
| CN108470174A (zh) * | 2017-02-23 | 2018-08-31 | 百度在线网络技术（北京）有限公司 | 障碍物分割方法及装置、计算机设备及可读介质 |
| CN109376590A (zh) * | 2018-09-07 | 2019-02-22 | 百度在线网络技术（北京）有限公司 | 基于无人车的障碍物分类方法、装置、设备以及存储介质 |
| CN109636848A (zh) * | 2018-12-17 | 2019-04-16 | 武汉天乾科技有限责任公司 | 一种基于无人机的油气管道巡检方法 |
| CN110188687A (zh) * | 2019-05-30 | 2019-08-30 | 爱驰汽车有限公司 | 汽车的地形识别方法、系统、设备及存储介质 |
| CN110349260A (zh) * | 2019-07-11 | 2019-10-18 | 武汉中海庭数据技术有限公司 | 一种路面标线自动提取方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8983705B2 (en) * | 2013-04-30 | 2015-03-17 | Google Inc. | Methods and systems for detecting weather conditions including fog using vehicle onboard sensors |
| US10510154B2 (en) * | 2017-12-21 | 2019-12-17 | Intel Corporation | Adaptive processing of spatial imaging data |
-
2020
- 2020-02-19 CN CN202010101713.2A patent/CN111291697B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103166830A (zh) * | 2011-12-14 | 2013-06-19 | 中国电信股份有限公司 | 一种智能选择训练样本的垃圾邮件过滤系统和方法 |
| CN105324287A (zh) * | 2013-04-11 | 2016-02-10 | 谷歌公司 | 使用车载传感器检测天气条件的方法和系统 |
| CN104952056A (zh) * | 2014-03-26 | 2015-09-30 | 株式会社理光 | 一种基于立体视觉的目标检测方法和系统 |
| CN105303844A (zh) * | 2015-10-26 | 2016-02-03 | 南京本来信息技术有限公司 | 基于激光的夜间高速公路团雾自动检测装置及其检测方法 |
| CN108470174A (zh) * | 2017-02-23 | 2018-08-31 | 百度在线网络技术（北京）有限公司 | 障碍物分割方法及装置、计算机设备及可读介质 |
| CN108389251A (zh) * | 2018-03-21 | 2018-08-10 | 南京大学 | 基于融合多视角特征的投影全卷积网络三维模型分割方法 |
| CN109376590A (zh) * | 2018-09-07 | 2019-02-22 | 百度在线网络技术（北京）有限公司 | 基于无人车的障碍物分类方法、装置、设备以及存储介质 |
| CN109636848A (zh) * | 2018-12-17 | 2019-04-16 | 武汉天乾科技有限责任公司 | 一种基于无人机的油气管道巡检方法 |
| CN110188687A (zh) * | 2019-05-30 | 2019-08-30 | 爱驰汽车有限公司 | 汽车的地形识别方法、系统、设备及存储介质 |
| CN110349260A (zh) * | 2019-07-11 | 2019-10-18 | 武汉中海庭数据技术有限公司 | 一种路面标线自动提取方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Classification of ALS Point Cloud with Improved Point Cloud Segmentation and Random Forests;Huan Ni，等;《 Remote Sensing for 3D Urban Morphology》;全文 * |
| Classification of sensor independent point cloud data of building objects using random forests;Maarten Bassier，等;《Journal of Building Engineering》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111291697A (zh) | 2020-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291697B (zh) | 用于识别障碍物的方法和装置 | |
| US11885910B2 (en) | Hybrid-view LIDAR-based object detection | |
| US10817731B2 (en) | Image-based pedestrian detection | |
| US10860896B2 (en) | FPGA device for image classification | |
| US11487988B2 (en) | Augmenting real sensor recordings with simulated sensor data | |
| US11455565B2 (en) | Augmenting real sensor recordings with simulated sensor data | |
| CN108345822B (zh) | 一种点云数据处理方法及装置 | |
| JP6664470B2 (ja) | 高精度地図データの処理方法、装置、記憶媒体及び機器 | |
| US20190310651A1 (en) | Object Detection and Determination of Motion Information Using Curve-Fitting in Autonomous Vehicle Applications | |
| US20180349746A1 (en) | Top-View Lidar-Based Object Detection | |
| CN111427979B (zh) | 基于激光雷达的动态地图构建方法、系统及介质 | |
| EP4172022A1 (en) | Systems and methods for optimizing trajectory planner based on human driving behaviors | |
| CN111339876B (zh) | 用于识别场景中各区域类型的方法和装置 | |
| CN116685874A (zh) | 摄像机-激光雷达融合对象检测系统和方法 | |
| US11657572B2 (en) | Systems and methods for map generation based on ray-casting and semantic class images | |
| CN112329754B (zh) | 障碍物识别模型训练方法、障碍物识别方法、装置及系统 | |
| CN116830164A (zh) | LiDAR去相关对象检测系统与方法 | |
| CN112622923B (zh) | 用于控制车辆的方法和装置 | |
| US20220221585A1 (en) | Systems and methods for monitoring lidar sensor health | |
| US20230024799A1 (en) | Method, system and computer program product for the automated locating of a vehicle | |
| CN117593892B (zh) | 真值数据的获取方法和装置、存储介质及电子设备 | |
| US20220317301A1 (en) | Modeling foliage in a synthetic environment | |
| US20230237793A1 (en) | False track mitigation in object detection systems | |
| US20220318450A1 (en) | Lidar Atmospheric Effects in Simulation | |
| US20230084623A1 (en) | Attentional sampling for long range detection in autonomous vehicles |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211011 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 2 / F, baidu building, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |