CN111337898A - 激光点云的处理方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了激光点云的处理方法、装置、设备及存储介质，涉及自动驾驶技术领域。具体实现方案为：通过对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素；对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。通过对无类别像素的处理，有效的克服激光点云稀疏特性带来的影响，可得到准确标注的投影图，投影图中的像素类别更符合客观事实，进而可降低模型训练难度，提高模型对场景理解的完整性和准确性。

Description

激光点云的处理方法、装置、设备及存储介质

技术领域

本申请涉及图像处理技术领域，具体涉及自动驾驶技术。

背景技术

在自动驾驶领域，为了使自动驾驶车辆对周围环境进行精确充分的感知，进而指导决策规划，通常采用激光雷达扫描车辆周围环境得到激光点云，并对激光点云进行场景理解。

现有的对激光点云进行场景理解的算法通常采用基于深度学习的场景理解模型，其适应性和可扩展性相对于采用高精地图具有明显优势。而基于深度学习的场景理解模型需要进行训练，所采用的训练数据为经过标注的激光点云，而由于激光点云是稀疏、立体的数据，需要进行特殊的处理才能有效的对模型进行训练。现有的对激光点云的处理过程通常是将激光点云数据进行鸟瞰图投影并网格化，并对网格进行类别标注。

在对激光点云的处理过程中，由于激光点云的稀疏特性，在投影图上往往无法形成连续的区域，会存在大量无投影点的像素，导致这些像素无类别，不能真实反映区域属性，对模型训练产生影响，增加模型训练难度，导致模型无法完整、准确的进行场景理解。

发明内容

本申请提供一种激光点云的处理方法、装置、设备及存储介质，以使激光点云投影图能够准确标注，真实的反映各区域属性，有效克服激光点云稀疏特性带来的影响，从而降低场景理解模型的训练难度，提升模型效果。

本申请第一个方面提供一种激光点云的处理方法，包括：

对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素；

对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；

根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。

在一种可能的设计中，所述根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注，包括：

对所述激光点云进行障碍物检测；

将检测到的障碍物的轮廓投影到所述标注后的投影图中，得到轮廓投影区域；

根据所述轮廓投影区域内的有类别像素的类别，对所述轮廓投影区域内的无类别像素进行类别标注。

在一种可能的设计中，所述根据所述轮廓投影区域内的有类别像素的类别，对所述轮廓投影区域内的无类别像素进行类别标注，包括：

若所述轮廓投影区域内的有类别像素的类别存在至少两种，则根据各类别的对应像素在所述轮廓投影区域内所占比例对所述轮廓投影区域内的无类别像素进行类别标注。

在一种可能的设计中，所述根据各类别的对应像素在所述轮廓投影区域内所占比例对所述轮廓投影区域内的无类别像素进行类别标注，包括：

若某一种障碍物类别对应的有类别像素在所述轮廓投影区域内所占比例最高，则将所述轮廓投影区域内的无类别像素标注为所述障碍物类别。

在一种可能的设计中，所述方法还包括：

若非障碍物类别对应的有类别像素在所述轮廓投影区域内所占比例最高，则对所述轮廓投影区域内的无类别像素进行剔除操作。

在一种可能的设计中，所述根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注，包括：

识别所述标注后的投影图中同一类别的有类别像素连续聚集的区域；

根据所述区域内有类别像素的类别，对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注。

在一种可能的设计中，所述对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注，包括：

若某一无类别像素的所述第一预设半径范围内存在至少两种类别的有类别像素，则根据该至少两种类别的预设优先级对该无类别像素进行类别标注。

在一种可能的设计中，所述对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注后，还包括：

对于若所述区域内有类别像素的类别为特定细长形状物体类别，则对所述区域提取骨架，保留所述骨架范围内像素的类别作为所述区域内像素的标注结果。

在一种可能的设计中，所述方法还包括：

若某一无类别像素的第二预设半径范围内不存在有类别像素，则对该无类别像素进行剔除操作。

在一种可能的设计中，所述对所述投影图进行像素类别标注，得到标注后的投影图后，还包括：

对于任一类别为路面或路沿的有类别像素，获取该有类别像素范围内的激光点云的高度坐标最大值和最小值之间的差值；

若所述差值超过预设的路面高度差阈值或预设的路沿高度差阈值，则对该有类别像素进行剔除操作。

本申请第二个方面提供一种激光点云的处理装置，包括：

投影模块，用于对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素；

标注模块，用于对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；

处理模块，用于根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。

在一种可能的设计中，所述处理模块在根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注时，用于：

对所述激光点云进行障碍物检测；

将检测到的障碍物的轮廓投影到所述标注后的投影图中，得到轮廓投影区域；

根据所述轮廓投影区域内的有类别像素的类别，对所述轮廓投影区域内的无类别像素进行类别标注。

在一种可能的设计中，所述处理模块在根据所述轮廓投影区域内的有类别像素的类别，对所述轮廓投影区域内的无类别像素进行类别标注时，用于：

若所述轮廓投影区域内的有类别像素的类别存在至少两种，则根据各类别的对应像素在所述轮廓投影区域内所占比例对所述轮廓投影区域内的无类别像素进行类别标注。

在一种可能的设计中，所述处理模块在根据各类别的对应像素在所述轮廓投影区域内所占比例对所述轮廓投影区域内的无类别像素进行类别标注时，用于：

若某一种障碍物类别对应的有类别像素在所述轮廓投影区域内所占比例最高，则将所述轮廓投影区域内的无类别像素标注为所述障碍物类别。

在一种可能的设计中，所述处理模块还用于：

若非障碍物类别对应的有类别像素在所述轮廓投影区域内所占比例最高，则对所述轮廓投影区域内的无类别像素进行剔除操作。

在一种可能的设计中，所述处理模块在根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注时，用于：

识别所述标注后的投影图中同一类别的有类别像素连续聚集的区域；

根据所述区域内有类别像素的类别，对所述区域内每一有类别像素的预设半径范围内的无类别像素进行类别标注。

在一种可能的设计中，所述处理模块在对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注时，用于：

若某一无类别像素的所述第一预设半径范围内存在至少两种类别的有类别像素，则根据该至少两种类别的预设优先级对该无类别像素进行类别标注。

在一种可能的设计中，所述处理模块在对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注后，还用于：

对于若所述区域内有类别像素的类别为特定细长形状物体类别，则对所述区域提取骨架，保留所述骨架范围内像素的类别作为所述区域内像素的标注结果。

在一种可能的设计中，所述处理模块还用于：

若某一无类别像素的第二预设半径范围内不存在有类别像素，则对该无类别像素进行剔除操作。

在一种可能的设计中，所述标注模块在对所述投影图进行像素类别标注，得到标注后的投影图后，还用于：

对于任一类别为路面或路沿的有类别像素，获取该有类别像素范围内的激光点云的高度坐标最大值和最小值之间的差值；

若所述差值超过预设的路面高度差阈值或预设的路沿高度差阈值，则对该有类别像素进行剔除操作。

本申请第三个方面提供一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。

本申请第四个方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面所述的方法。

本申请第五个方面提供一种计算机程序，包括程序代码，当计算机运行所述计算机程序时，所述程序代码执行如第一方面所述的方法。

本申请第六个方面提供一种激光点云的处理方法，包括：

获取任意一帧待处理的激光点云对应的投影图；

对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；

根据所述有类别像素对所述无类别像素进行类别标注或者剔除操作。

上述申请中的一个实施例具有如下优点或有益效果：通过对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素；对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。通过对无类别像素的处理，有效的克服激光点云稀疏特性带来的影响，可以得到准确标注的投影图，投影图中的像素类别更符合客观事实，进而可降低模型训练难度，提高模型对场景理解的完整性和准确性。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请一实施例提供的激光点云的处理方法的示意图；

图2是本申请一实施例提供的激光点云的处理方法的示意图；

图3是本申请另一实施例提供的激光点云的处理方法的示意图；

图4是本申请另一实施例提供的激光点云的处理方法的示意图；

图5是本申请另一实施例提供的激光点云的处理方法的示意图；

图6是本申请一实施例提供的激光点云的处理装置的框图；

图7是用来实现本申请实施例的激光点云的处理方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在对基于深度学习的场景理解模型训练时，在获取到激光点云后，通常是将激光点云数据进行鸟瞰图投影并网格化，并对网格进行类别标注，由于激光点云的稀疏特性，在投影图上往往无法形成连续的区域，会存在大量无投影点的像素，导致这些像素无类别，不能真实反映区域属性，对模型训练产生影响，增加模型训练难度，导致模型无法完整、准确的进行场景理解。因此本实施例中，对于标注后的投影图中的无类别的像素进行处理，根据预设规则以及有类别像素，对无类别像素进行类别标注，有效的克服激光点云稀疏特性带来的影响，可以得到准确标注的投影图，投影图中的像素类别更符合客观事实，当然对于一些对无类别像素无法标注、或标注不准确的情况，可剔除该些无类别像素，剔除掉的像素也不影响后续的场景理解模型的训练。进而，可将最终得到的准确标注的投影图输入到基于深度学习的场景理解模型进行训练，使得模型能够完整、准确的进行场景理解，降低模型训练难度，提高模型效果。该场景理解模型在实际应用时，可输入激光点云的投影图，通过模型处理后输出较为准确的场景理解结果。

本申请实施例提供的激光点云的处理方法应用如图1所示的通信系统，所述通信系统包括处理装置10、以及激光点云获取装置11，其中激光点云获取装置11可以从是车载激光雷达，当然也可以通过其他途径获取激光点云，例如激光点云获取装置11也可以为已存储有激光点云的数据库。激光点云获取装置11在获取到激光点云后可将激光点云发送给处理装置10，由处理装置10对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素；对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。其中处理装置10可以为一台服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务中心。

下面将结合具体实施例对激光点云的处理过程进行详细说明。

本申请一实施例提供一种激光点云的处理方法，图2为本发明实施例提供的激光点云的处理方法流程图。如图2所示，所述激光点云的处理方法具体步骤如下：

S201、对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素。

在本实施例中，可获取车载激光雷达采集的激光点云，或者通过其他途径获取激光点云，对于其中任意一帧激光点云，首先通过投影的方式将三维的激光点云转换为二维的投影图，具体的可将激光点云采用鸟瞰图(birdview)方式投影，也即将激光点云投影到xy平面，不考虑激光点云的z轴(高度)方向，投影过程可采用现有的方法，此处不再赘述；完成投影后可进行网格化(栅格化)得到经过网格化的投影图，其中每一网格为一个像素，其中网格的大小可根据实际需求进行设定。

S202、对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素。

在本实施例中，对于投影图中的像素进行类别标注，类别具体可包括但不限于障碍物、路面、路沿、栅栏、绿植、或其他等等，对像素进行类别标注的过程可以采用人工标注，或者采用现有的语义分割等算法进行标注，标注过程此处不再赘述。由于激光点云具有稀疏性，因此投影图中可能有的像素有激光点云投影，有的像素没有激光点云投影，或者在标注过程中可能存在某些像素被遗漏，因此标注后的投影图中存在标注了类别的像素(也即所述的有类别像素)，也可能存在未标注类别的空像素(也即所述的无类别像素)。

S203、根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。

在本实施例中，为了保证投影图类别标注的完整性，降低模型训练难度、提升模型背景理解的完整性和准确性，对于上述的无类别像素进行一定的处理，具体包括根据预设规则以及所述有类别像素对类别像素进行类别标注。当然，在一些对无类别像素无法标注、或标注不准确的情况下也可剔除某些无类别像素以使被剔除像素在模型训练过程中不参与训练，降低训练难度、提高模型效果。

在一种可选实施例中，如图3所示，S203所述的根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注，具体可包括：

S301、对所述激光点云进行障碍物检测；

S302、将检测到的障碍物的轮廓投影到所述标注后的投影图中，得到轮廓投影区域；

S303、根据所述轮廓投影区域内的有类别像素的类别，对所述轮廓投影区域内的无类别像素进行类别标注。

在本实施例中，由于激光雷达在扫描到障碍物时形成的激光点云往往是障碍物外表面的激光点云，而障碍物内部是无激光点云的，因此在投影到投影图时障碍物内部会存在没有激光点云投影的像素，导致标注时存在无类别像素，而在模型训练时往往希望障碍物内部像素和边缘像素类别是统一的，针对这类无类别像素，本实施例中通过对激光点云进行障碍物检测，例如检测行人、车辆、自行车等障碍物的位置及大小信息等，根据这些信息获取到障碍物轮廓，并将障碍物的轮廓投影到标注后的投影图中，得到轮廓投影区域，若该轮廓投影区域内存在无类别像素，则根据该轮廓投影区域内有类别像素的类别进行类别标注，从而保证障碍物内部像素和边缘像素类别相同。其中对激光点云进行障碍物检测的过程可采用现有的障碍物检测算法，此处不再赘述。

进一步的，若所述轮廓投影区域内的有类别像素的类别存在至少两种，则根据各类别的对应像素在所述轮廓投影区域内所占比例对所述轮廓投影区域内的无类别像素进行类别标注。

在本实施例中，由于对障碍物检测算法存在一定的误差，可能导致障碍物的误判或者轮廓投影区域获取错误，导致投影到投影图中的轮廓投影区域内可能存在不同类别的有类别像素，本实施例中可计算不同类别的对应像素在轮廓投影区域内所占比例，采用占比较高的有类别像素的类别对轮廓投影区域内的无类别像素进行类别标注。

具体的，若某一种障碍物类别对应的有类别像素在所述轮廓投影区域内所占比例最高，则将所述轮廓投影区域内的无类别像素标注为所述障碍物类别。

当然，在某些情况下也可对轮廓投影区域内的无类别像素进行剔除，例如一些存在镂空的障碍物，或者判断障碍物检测算法存在误检时可对轮廓投影区域内的无类别像素进行剔除操作。具体的，例如障碍物检测算法可能将不是障碍物的物体识别为障碍物，例如将绿植识别为行人，也即投影轮廓投影区域内的有类别像素的类别并不是障碍物类别，此时轮廓投影区域内非障碍物类别对应的有类别像素所占比例最高，此时可对所述轮廓投影区域内的无类别像素进行剔除操作，以避免在障碍物检测算法误检且误差较大的情况下对无类别像素标注错误，此时进行剔除操作更为保险。

在另一种可选实施例中，如图4所示，S203所述的根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注，也可包括：

S401、识别所述标注后的投影图中同一类别的有类别像素连续聚集的区域；

S402、根据所述区域内有类别像素的类别，对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注。

在本实施例中，标注后的投影图中可能存在一整块连续区域都是同一类别的有类别像素，例如绿植区域、路面区域、栅栏区域等等，由于激光雷达的稀疏特性，在投影图中该些区域内会存在很多无类别像素，对模型训练过程来讲，如果能将这些整块连续区域内的无类别像素转换为其周围像素类别，则会提高区域完整性，从而降低模型训练难度，例如对于一条完整连续的栅栏，因为激光点云扫描稀疏的问题，在投影图上此条栅栏会显示出不连续有间断，这时如果能将投影图上栅栏的空缺(间断)处补全，则能提高模型训练效果。本实施例中首先需要对这些整块连续区域进行识别，也即判断标注后的投影图中是否存在同一类别的有类别像素连续聚集的区域，可以通过一些参数来例如同一类别像素的聚集密度、面积等等来判断；在识别到整块连续区域后，对该区域内有类别像素进行膨胀操作，也即将该区域中每一个有类别像素周围第一预设半径范围内的无类别像素均标注为其同一类别，其中第一预设半径范围可以为4邻域或者8邻域等。

进一步的，在上述的膨胀操作过程中，当对某一无类别像素进行标注时，若该无类别像素的第一预设半径范围内存在至少两种类别的有类别像素，则根据该至少两种类别的预设优先级对该无类别像素进行类别标注。本实施例中可预先对不同类别设置不同的优先级，以便在对同一无类别像素标注发生冲突时按照优先级来进行标注，不同类别的优先级可根据实际需要进行设定。

在上述实施例的基础上，在S402所述的对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注后，还可包括：

对于若所述区域内有类别像素的类别为特定细长形状物体类别，则对所述区域提取骨架，保留所述骨架范围内像素的类别作为所述区域内像素的标注结果。

本实施例中，对于一些细长形状的物体对应区域，在膨胀操作后可能导致该物体宽度会变宽，例如栅栏区域，在膨胀前在投影图上栅栏区域存在不连续的间断，也即存在无类别像素导致栅栏间断，而在膨胀后栅栏区域周围的无类别像素被标注为栅栏类别，从而不全了栅栏间断处，同时也导致栅栏区域变宽了，一些非栅栏部分的像素也被标注为栅栏类别，因此本实施例中对于膨胀后的栅栏区域提取骨架，以骨架范围内像素的类别作为栅栏区域的标注结果，也即只保留骨架范围内像素的类别，而对于骨架范围之外的、类型为栅栏的像素可以进行剔除，或者删除其类别再通过其他方式重新进行标注。

在另一种可选实施例中，在上述实施例的基础上，所述方法还可包括：

若某一无类别像素的第二预设半径范围内不存在有类别像素，则对该无类别像素进行剔除操作。

在本实施例中，对于某些距离有类别像素较远的无类别像素，可以进行剔除，在模型训练过程中不参与训练，降低训练难度、提高模型效果。具体的，对于某一无类别像素可以判断其周围第二预设半径范围内是否存在有类别像素，若不存在，则说明该无类别像素距离有类别像素较远，其中第二预设半径可以根据实际需要进行设定。需要说明的是，第二预设半径可以大于或等于上述实施例中的第一预设半径。

需要说明的是，对于多个无类别像素进行处理时，上述几种可选实施例中的处理过程之间在不冲突的情况下可以任意组合，其先后顺序和是否执行可根据实际需要进行设定，此处不再赘述。

在上述任一实施例的基础上，如图5所示，S202所述的对所述投影图进行像素类别标注，得到标注后的投影图后，还可包括：

S501、对于任一类别为路面或路沿的有类别像素，获取该有类别像素范围内的激光点云的高度坐标最大值和最小值之间的差值；

S502、若所述差值超过预设的路面高度差阈值或预设的路沿高度差阈值，则对该有类别像素进行剔除操作。

在本实施例中，在标注过程中可能存在一定的误标，可以根据不同类别激光点云的先验信息剔除误标的像素，放置对模型训练产生干扰。例如对于路面类别，一般路面高度差相差较小，可以获取任意一个类别为路面的有类别像素，获取该像素范围内激光点云的高度坐标(z轴)最大值和最小值之间的差值，若该差值超过预设的路面高度差阈值(例如20cm)，则说明该像素可能不是路面，存在误标的可能，因此对该像素进行剔除操作；同样的，对于路沿类别，一般路沿高度差是固定的(如20cm或30cm)，可以获取任意一个类别为路沿的有类别像素，获取该像素范围内激光点云的高度坐标(z轴)最大值和最小值之间的差值，若该差值超过预设的路沿高度差阈值(例如30cm)，则说明该像素可能不是路沿，存在误标的可能，因此对该像素进行剔除操作。

上述各实施例提供的激光点云的处理方法，通过对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素；对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。通过对无类别像素的处理，有效的克服激光点云稀疏特性带来的影响，可以得到准确标注的投影图，投影图中的像素类别更符合客观事实，进而可降低模型训练难度，提高模型对场景理解的完整性和准确性。

本申请一实施例提供一种激光点云的处理装置，图6为本发明实施例提供的激光点云的处理装置的结构图。如图6所示，所述激光点云的处理装置600具体包括：投影模块601、标注模块602及处理模块603。

投影模块601，用于对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素；

标注模块602，用于对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；

处理模块603，用于根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。

在上述任一实施例的基础上，所述处理模块603在根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注时，用于：

对所述激光点云进行障碍物检测；

将检测到的障碍物的轮廓投影到所述标注后的投影图中，得到轮廓投影区域；

根据所述轮廓投影区域内的有类别像素的类别，对所述轮廓投影区域内的无类别像素进行类别标注。

在上述任一实施例的基础上，所述处理模块603在根据所述轮廓投影区域内的有类别像素的类别，对所述轮廓投影区域内的无类别像素进行类别标注时，用于：

若所述轮廓投影区域内的有类别像素的类别存在至少两种，则根据各类别的对应像素在所述轮廓投影区域内所占比例对所述轮廓投影区域内的无类别像素进行类别标注。

在上述任一实施例的基础上，所述处理模块603在根据各类别的对应像素在所述轮廓投影区域内所占比例对所述轮廓投影区域内的无类别像素进行类别标注时，用于：

若某一种障碍物类别对应的有类别像素在所述轮廓投影区域内所占比例最高，则将所述轮廓投影区域内的无类别像素标注为所述障碍物类别。

在上述任一实施例的基础上，所述处理模块603还用于：

若非障碍物类别对应的有类别像素在所述轮廓投影区域内所占比例最高，则对所述轮廓投影区域内的无类别像素进行剔除操作。

在上述任一实施例的基础上，所述处理模块603在根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注时，用于：

识别所述标注后的投影图中同一类别的有类别像素连续聚集的区域；

根据所述区域内有类别像素的类别，对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注。

在上述任一实施例的基础上，所述处理模块603在对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注时，用于：

若某一无类别像素的所述第一预设半径范围内存在至少两种类别的有类别像素，则根据该至少两种类别的预设优先级对该无类别像素进行类别标注。

在上述任一实施例的基础上，所述处理模块603在对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注后，还用于：

对于若所述区域内有类别像素的类别为特定细长形状物体类别，则对所述区域提取骨架，保留所述骨架范围内像素的类别作为所述区域内像素的标注结果。

在上述任一实施例的基础上，所述处理模块603在根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注时，用于：

若某一无类别像素的第二预设半径范围内不存在有类别像素，则对该无类别像素进行剔除操作。

在上述任一实施例的基础上，所述标注模块602在对所述投影图进行像素类别标注，得到标注后的投影图后，还用于：

对于任一类别为路面或路沿的有类别像素，获取该有类别像素范围内的激光点云的高度坐标最大值和最小值之间的差值；

若所述差值超过预设的路面高度差阈值或预设的路沿高度差阈值，则对该有类别像素进行剔除操作。

本实施例提供的激光点云的处理装置可以具体用于执行上述图所提供的激光点云的处理方法实施例，具体功能此处不再提供的赘述。

本实施例提供的激光点云的处理装置，通过对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素；对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。通过对无类别像素的处理，有效的克服激光点云稀疏特性带来的影响，可以得到准确标注的投影图，投影图中的像素类别更符合客观事实，进而可降低模型训练难度，提高模型对场景理解的完整性和准确性。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图7所示，是根据本申请实施例的激光点云的处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的激光点云的处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的激光点云的处理方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的激光点云的处理方法对应的程序指令/模块(例如，附图6所示的投影模块601、标注模块602及处理模块603)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的激光点云的处理方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据激光点云的处理方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至激光点云的处理方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

激光点云的处理方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与激光点云的处理方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素；对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。通过对无类别像素的处理，有效的克服激光点云稀疏特性带来的影响，可以得到准确标注的投影图，投影图中的像素类别更符合客观事实，进而可降低模型训练难度，提高模型对场景理解的完整性和准确性。

本申请还提供了一种计算机程序，包括程序代码，当计算机运行所述计算机程序时，所述程序代码执行如上述实施例所述的激光点云的处理方法。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (23)

1.一种激光点云的处理方法，其特征在于，包括：

对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素；

对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；

根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。

2.根据权利要求1所述的方法，其特征在于，所述根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注，包括：

对所述激光点云进行障碍物检测；

将检测到的障碍物的轮廓投影到所述标注后的投影图中，得到轮廓投影区域；

根据所述轮廓投影区域内的有类别像素的类别，对所述轮廓投影区域内的无类别像素进行类别标注。

3.根据权利要求2所述的方法，其特征在于，所述根据所述轮廓投影区域内的有类别像素的类别，对所述轮廓投影区域内的无类别像素进行类别标注，包括：

若所述轮廓投影区域内的有类别像素的类别存在至少两种，则根据各类别的对应像素在所述轮廓投影区域内所占比例对所述轮廓投影区域内的无类别像素进行类别标注。

4.根据权利要求3所述的方法，其特征在于，所述根据各类别的对应像素在所述轮廓投影区域内所占比例对所述轮廓投影区域内的无类别像素进行类别标注，包括：

若某一种障碍物类别对应的有类别像素在所述轮廓投影区域内所占比例最高，则将所述轮廓投影区域内的无类别像素标注为所述障碍物类别。

5.根据权利要求4所述的方法，其特征在于，还包括：

若非障碍物类别对应的有类别像素在所述轮廓投影区域内所占比例最高，则对所述轮廓投影区域内的无类别像素进行剔除操作。

6.根据权利要求1所述的方法，其特征在于，所述根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注，包括：

识别所述标注后的投影图中同一类别的有类别像素连续聚集的区域；

根据所述区域内有类别像素的类别，对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注。

7.根据权利要求6所述的方法，其特征在于，所述对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注，包括：

若某一无类别像素的所述第一预设半径范围内存在至少两种类别的有类别像素，则根据该至少两种类别的预设优先级对该无类别像素进行类别标注。

8.根据权利要求6所述的方法，其特征在于，所述对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注后，还包括：

对于若所述区域内有类别像素的类别为特定细长形状物体类别，则对所述区域提取骨架，保留所述骨架范围内像素的类别作为所述区域内像素的标注结果。

9.根据权利要求1所述的方法，其特征在于，还包括：

若某一无类别像素的第二预设半径范围内不存在有类别像素，则对该无类别像素进行剔除操作。

10.根据权利要求1-9任一项所述的方法，其特征在于，所述对所述投影图进行像素类别标注，得到标注后的投影图后，还包括：

对于任一类别为路面或路沿的有类别像素，获取该有类别像素范围内的激光点云的高度坐标最大值和最小值之间的差值；

若所述差值超过预设的路面高度差阈值或预设的路沿高度差阈值，则对该有类别像素进行剔除操作。

11.一种激光点云的处理装置，其特征在于，包括：

投影模块，用于对任意一帧待处理的激光点云进行投影并网格化，得到对应的投影图，其中所述投影图中每一网格为一个像素；

标注模块，用于对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；

处理模块，用于根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注。

12.根据权利要求11所述的装置，其特征在于，所述处理模块在根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注时，用于：

对所述激光点云进行障碍物检测；

将检测到的障碍物的轮廓投影到所述标注后的投影图中，得到轮廓投影区域；

根据所述轮廓投影区域内的有类别像素的类别，对所述轮廓投影区域内的无类别像素进行类别标注。

13.根据权利要求12所述的装置，其特征在于，所述处理模块在根据所述轮廓投影区域内的有类别像素的类别，对所述轮廓投影区域内的无类别像素进行类别标注时，用于：

若所述轮廓投影区域内的有类别像素的类别存在至少两种，则根据各类别的对应像素在所述轮廓投影区域内所占比例对所述轮廓投影区域内的无类别像素进行类别标注。

14.根据权利要求13所述的装置，其特征在于，所述处理模块在根据各类别的对应像素在所述轮廓投影区域内所占比例对所述轮廓投影区域内的无类别像素进行类别标注时，用于：

若某一种障碍物类别对应的有类别像素在所述轮廓投影区域内所占比例最高，则将所述轮廓投影区域内的无类别像素标注为所述障碍物类别。

15.根据权利要求14所述的装置，其特征在于，所述处理模块还用于：

若非障碍物类别对应的有类别像素在所述轮廓投影区域内所占比例最高，则对所述轮廓投影区域内的无类别像素进行剔除操作。

16.根据权利要求11所述的装置，其特征在于，所述处理模块在根据预设规则以及所述有类别像素，对所述无类别像素进行类别标注时，用于：

识别所述标注后的投影图中同一类别的有类别像素连续聚集的区域；

根据所述区域内有类别像素的类别，对所述区域内每一有类别像素的预设半径范围内的无类别像素进行类别标注。

17.根据权利要求16所述的装置，其特征在于，所述处理模块在对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注时，用于：

若某一无类别像素的所述第一预设半径范围内存在至少两种类别的有类别像素，则根据该至少两种类别的预设优先级对该无类别像素进行类别标注。

18.根据权利要求16所述的装置，其特征在于，所述处理模块在对所述区域内每一有类别像素的第一预设半径范围内的无类别像素进行类别标注后，还用于：

对于若所述区域内有类别像素的类别为特定细长形状物体类别，则对所述区域提取骨架，保留所述骨架范围内像素的类别作为所述区域内像素的标注结果。

19.根据权利要求11所述的装置，其特征在于，所述处理模块还用于：

若某一无类别像素的第二预设半径范围内不存在有类别像素，则对该无类别像素进行剔除操作。

20.根据权利要求11-19任一项所述的装置，其特征在于，所述标注模块在对所述投影图进行像素类别标注，得到标注后的投影图后，还用于：

对于任一类别为路面或路沿的有类别像素，获取该有类别像素范围内的激光点云的高度坐标最大值和最小值之间的差值；

若所述差值超过预设的路面高度差阈值或预设的路沿高度差阈值，则对该有类别像素进行剔除操作。

21.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。

22.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。

23.一种激光点云的处理的方法，其特征在于，包括：

获取任意一帧待处理的激光点云对应的投影图；

对所述投影图进行像素类别标注，得到标注后的投影图，所述标注后的投影图中像素分为有类别像素和无类别像素；

根据所述有类别像素对所述无类别像素进行类别标注或者剔除操作。

Images