CN112862017B - 点云数据的标注方法、装置、设备和介质 - Google Patents
点云数据的标注方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112862017B CN112862017B CN202110358181.5A CN202110358181A CN112862017B CN 112862017 B CN112862017 B CN 112862017B CN 202110358181 A CN202110358181 A CN 202110358181A CN 112862017 B CN112862017 B CN 112862017B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- prediction
- subset
- original
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 9
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002730 additional effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Generation (AREA)
Abstract
本申请公开了一种点云数据标注方法、装置、设备和介质，涉及人工智能领域，尤其涉及自动驾驶和深度学习技术。具体实现方案为：将原始点云数据集合进行数据分割，得到至少两个点云数据子集；利用预先训练的预测模型，分别对所述每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果。本申请提高了对数据量庞大的点云数据进行标注的准确性。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种自动驾驶和深度学习技术，具体涉及一种点云数据的标注方法、装置、设备和介质。
背景技术
随着三维采集技术的逐渐成熟，以及三维采集设备成本的降低，三维点云数据越来越多的应用在各行各业，尤其是自动驾驶等相关产业。而且，随着深度学习等技术的发展，深度学习模型在这些产业中的应用也越来越广泛。
目前，深度学习模型的训练，很大程度上依赖大规模的标注数据，而如何快速有效的标注三维数据成为了阻碍基于深度学习的三维处理技术发展的瓶颈。
发明内容
本申请提供一种点云数据标注方法、装置、设备和介质，以提高点云数据标注的准确性。
第一方面，本申请提供了一种点云数据标注方法，包括：
将原始点云数据集合进行数据分割，得到至少两个点云数据子集；
利用预先训练的预测模型，分别对每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；
根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果。
第二方面，本申请还提供了一种点云数据标注装置，包括：
数据分割模块，用于将原始点云数据集合进行数据分割，得到至少两个点云数据子集；
类别预测模块，用于利用预先训练的预测模型，分别对每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；
标注结果确定模块，用于根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果。
第三方面，本申请还提供了一种电子设备，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本申请任意实施例所述的点云数据标注方法。
第四方面，本申请还提供了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本申请任意实施例所述的点云数据标注方法。
应当理解，本部分所描述的内容并非旨在标识本申请的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解，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是根据本申请实施例的点云数据标注方法的流程示意图；
图2是根据本申请实施例的点云数据标注方法的流程示意图；
图3是根据本申请实施例的点云数据标注方法的流程示意图；
图4是根据本申请实施例的点云数据标注装置的结构示意图；
图5是用来实现本申请实施例的点云数据标注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。
图1是根据本申请实施例的点云数据标注方法的流程示意图，本实施例可适用于对点云数据进行自动标注的情况，涉及人工智能领域，尤其涉及自动驾驶和深度学习技术。该方法可由一种点云数据标注装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图1所示，该方法具体包括如下：
S101、将原始点云数据集合进行数据分割，得到至少两个点云数据子集。
其中，原始点云数据集合即为待标注的点云集合，需要标注出集合内每个点云数据所属的类别。该原始点云数据集合例如可以是由自动驾驶车辆上的采集设备采集得到，而由于原始点云数据集合的数据量通常都比较庞大，如果对集合整体进行预测会影响预测结果的准确性，因此，本申请实施例中先对原始点云数据集合进行数据分割，得到至少两个点云数据子集。
S102、利用预先训练的预测模型，分别对每个点云数据子集进行预测，得到每个点云数据子集中各点云数据的预测类别和预测概率。
由于经数据分割后得到的每个点云数据子集中数据量减少，因此，对每个点云数据子集进行预测得到点云数据的预测类别的准确性就会提高。
其中，预测模型是利用深度学习技术预先训练得到，例如可以是基于Point算法、PointNet++算法等能够预测点云数据类别的任一种算法实现该预测模型，本申请实施例对此不作任何限定。利用该预测模型，可以预测出每个点云数据的预测类别和预测概率，其中，预测概率能够表示其对应的预测类别的置信度。
S103、根据每个点云数据子集中各点云数据的预测类别和预测概率，确定原始点云数据集合中各点云数据的标注结果。
其中，通过模型预测得到了点云数据的预测类别，即可依据该预测类别对点云数据进行标注。同时，还可以根据预测概率确定标注结果的可信度，或者根据预测概率选择最优的预测类别作为最终的标注结果。本申请实施例对此不作任何限定，可以根据实际应用场景进行配置。
本申请实施例的技术方案，通过对原始点云数据集合进行分割，将数据量庞大的集合划分为多个数据量相对较小的集合，然后再利用预测模型对点云数据子集中的点云数据进行预测，最后根据预测类别和预测概率得到原始点云数据集合中每个点云数据的标注结果，提高了对数据量庞大的点云数据进行标注的准确性。
图2是根据本申请实施例的点云数据标注方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2所示，该方法具体包括如下：
S201、根据原始点云数据集合中，各点云数据在世界坐标系的X轴和Y轴方向上的数值，确定水平面上的目标区域。
其中，确定目标区域的目的是在世界坐标系的水平面上将原始点云数据集合中的各点云数据都包含进来，也即，各点云数据在水平面上的投影都能落在该目标区域中，以便后续对其中包含的点云数据进行分割。具体的，可以根据各点云数据在世界坐标系的X轴和Y轴方向上的极值确定目标区域的边界，根据边界即可确定该目标区域。
例如，该目标区域为矩形区域，且其四个顶点由原始点云数据集合中各点云数据在X轴和Y轴方向上的极值确定，包括X轴和Y轴方向上的最大值和最小值。矩形区域可以更精准地将全部点云数据包含在内。当然，目标区域也可以是其他形状，本申请实施例对目标区域的形状不作任何限定。
S202、在目标区域内，将预设大小的滑动窗口在X轴和Y轴两个方向上，分别按照第一步长和第二步长滑动，且每滑动一次，从滑动窗口当前对应区域内的点云数据中，获取至少一个点云数据子集，直到目标区域内的全部点云数据统计完成为止。
其中，滑动窗口的大小以及第一步长、第二步长的大小，均可以根据实际需要进行配置，本申请实施例对此不作任何限定。采用滑窗的方法，将滑动窗口分别在X轴和Y轴两个方向上逐步进行滑动，且每滑动一次，就从滑动窗口当前对应区域内的点云数据中，获取至少一个点云数据子集，直到目标区域内的全部点云数据统计完成为止，即可获取到两个以上的点云数据子集。
具体的，可以配置为每次获取的点云数据子集中点云数据的数量相同，例如，可以根据预测模型的预测能力和应用场景来确定该数量。因此，从滑动窗口当前对应区域内的点云数据中，获取至少一个点云数据子集，可以包括：从滑动窗口当前对应区域内的点云数据中，随机获取具有设定数量的至少一个点云数据子集；其中，如果滑动窗口当前对应区域内剩余的点云数据数量不足所述设定数量，则从滑动窗口当前对应区域中已经获取的点云数据子集中，随机获取点云数据补足所述设定数量。
也即，滑动窗口对应区域内的点云数据的数量要远大于所述设定数量，先随机从中获取设定数量的一个点云数据子集，然后从剩余的点云数据中再随机获取设定数量的一个点云数据子集，以此类推，直到剩余的点云数据的数量不足所述设定数量，此时，就从当前已经获取的点云数据子集中，再随机获取点云数据进行补足，当前区域内剩余的点云数据和这些用来补足的点云数据之和，正好可以满足所述设定数量，能够构成一个点云数据子集。按照该方法，对每一次滑动窗口当前对应的区域都进行点云数据子集的获取操作，直到目标区域内的全部点云数据统计完成为止，即可获取到全部的多个点云数据子集。
需要说明的是，如果只是将目标区域简单的划分出多个相邻的子区域，每个子区域内包含的点云数据构成每个点云数据子集，那么，这些子区域边界处的点云数据的预测准确性会受到很大的影响。因此，本申请实施例中利用滑窗的方法，且可以设置第一步长和第二步长的大小分别小于滑动窗口在X轴和Y轴方向上的边长，那么，在相邻的两次滑动过程中，滑动窗口就会出现重叠区域，滑动窗口的对应区域也就不会出现相邻的情况，从而避免对子区域边界处的点云数据预测不准确的问题发生。
此外，在一种实施方式中，将原始点云数据集合进行数据分割，得到至少两个点云数据子集，还包括：对获取的每个点云数据子集分别进行归一化。具体而言，是对获取的每个点云数据子集中各点云数据在X轴、Y轴和Z轴方向上的数值分别进行归一化。其中，对X轴和Y轴方向上的数值进行归一化，可以是先对这些数值进行去中心化，然后再将去中心化后的数值变换到[-1, 1]之间；对Z轴方向上的数值进行归一化，可以是直接将这些数值分别除以一个设定数，将每个数值缩小到一个比较小的范围。归一化之后的X轴、Y轴和Z轴上的数值重新构成每个点云数据，且经过数据的归一化，更有利于预测模型的预测，提高预测准确性。
S203、利用预先训练的预测模型，分别对每个点云数据子集进行预测，得到每个点云数据子集中各点云数据的预测类别和预测概率。
S204、根据每个点云数据子集中各点云数据的预测类别和预测概率，确定原始点云数据集合中各点云数据的标注结果。
在S202中，按照上文所述，滑动窗口每次滑动都会出现重叠区域，因此会出现重复采用的情况，也即，在获取到的不同的点云数据子集中会出现点云数据重复的情况，例如，某一个点云数据多次重复出现在至少两个点云数据子集中。因此，在确定标注结果时，还需要根据预测类别和预测概率对这些点云数据进行去重。
具体的，由于原始点云数据集合中，每个点云数据都有其唯一的编号，因此，可以根据每个点云数据子集中各点云数据在原始点云数据集合中的编号，执行如下操作：如果当前编号对应的至少一个点云数据中，各点云数据的预测类别均相同，则将该预测类别作为原始点云数据集合中当前编号的点云数据的标注结果；如果当前编号对应的至少一个点云数据中，各点云数据的预测类别不唯一，则根据每种预测类别的预测概率确定目标预测类别，并将该目标预测类别作为原始点云数据集合中当前编号的点云数据的标注结果。
也就是说，如果在点云数据子集中存在多个某编号的点云数据，一种情况是这些点云数据的预测类别均相同，那么直接将该预测类别作为该编号点云数据的标注结果即可；另一种情况是这些点云数据的预测类别不唯一，也就是说存在至少两种预测类别，那么就可以从这些预测类别的预测概率中选择预测概率最高的预测类别，作为该编号点云数据的标注结果，从而达到去重的目的，且标注的也是置信度最高的预测类别。
本申请实施例的技术方案，通过滑窗、采样的方式对原始点云数据集合进行分割，将数据量庞大的集合划分为多个数据量相对较小的点云数据子集，然后再利用预测模型对点云数据子集中的点云数据进行预测，最后根据预测类别和预测概率对重复的点云数据的预测类别进行去重、整合，得到原始点云数据集合中每个点云数据的最优的标注结果，提高了对数据量庞大的点云数据进行标注的准确性。
图3是根据本申请实施例的点云数据标注方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图3所示，该方法具体包括如下：
S301、在原始点云数据集合中进行点云平面估计，得到路面平面方程。
其中，可以采用现有技术中任一种点云平面估计算法，来计算得到路面的平面方程，此处不再赘述。
S302、计算将路面平面方程旋转到其法向量的方向与世界坐标系的Z轴方向相同时的旋转矩阵。
S303、根据旋转矩阵，将原始点云数据集合中的点云数据进行旋转。
在自动驾驶场景中，采集的点云数据集合一般都会包含路面。理论上，路面应该是近似平面的，然而由于采集设备等问题，容易出现路面倾斜以至于不与水平面平行的情况，这样，会影响对集合中的点云数据进行预测的准确性。因此，本申请实施例在计算出路面的平面方程之后，先计算出该平面方程的法向量，如果该法向量的方向与世界坐标系的Z轴方向不同，则计算出将法向量的方向与世界坐标系的Z轴方向相同时的旋转矩阵，即可根据该旋转矩阵将原始点云数据集合中的点云数据进行旋转。旋转后的点云数据集合中，路面与世界坐标系中的水平面（xoy平面）平行，对集合中经过旋转后的点云数据进行预测，则能够提高预测的准确性。
S304、根据经旋转的原始点云数据集合中，各点云数据在世界坐标系的X轴和Y轴方向上的数值，确定水平面上的目标区域。
S305、在目标区域内，将预设大小的滑动窗口在X轴和Y轴两个方向上，分别按照第一步长和第二步长滑动，且每滑动一次，从滑动窗口当前对应区域内的点云数据中，获取至少一个点云数据子集，直到目标区域内的全部点云数据统计完成为止。
S306、对获取的每个点云数据子集分别进行归一化。
S307、利用预先训练的预测模型，分别对每个点云数据子集进行预测，得到每个点云数据子集中各点云数据的预测类别和预测概率。
S308、根据每个点云数据子集中各点云数据的预测类别和预测概率，确定原始点云数据集合中各点云数据的标注结果。
S309、将原始点云数据集合中各点云数据的标注结果作为预标注结果，以供人工修改。
经过点云数据的分割和预测，已经得到了初步的相对较为准确的点云数据标注结果，为了进一步提高标注的准确性，则可以将该结果作为预标注结果发送至标注工具中人工标注的模块，通过人工对预标注结果进行完善和修改，从而进一步提高标注的准确性。同时，由于整个预标注过程完全自动化完成，提高了标注的效率，而且，人工也无需在数据量庞大的原始点云数据集合的基础上直接进行标注，大大降低了标注成本，且进一步提高了标注效率。
本申请实施例的技术方案，在对点云数据进行数据分割之前，先对点云数据进行旋转，使其中的路面平行于水平线，为后续点云数据的准确预测提供了条件。同时，通过标注人员在预标注结果的基础上对结果进行修改，相比直接在原始数据上进行标注的方法可以有效的提升标注效率，降低标注成本。
图4是根据本申请实施例的点云数据标注装置的结构示意图，本实施例可适用于对点云数据进行自动标注的情况，涉及人工智能领域，尤其涉及自动驾驶和深度学习技术。该装置可实现本申请任意实施例所述的点云数据标注方法。如图4所示，该装置400具体包括：
数据分割模块401，用于将原始点云数据集合进行数据分割，得到至少两个点云数据子集；
类别预测模块402，用于利用预先训练的预测模型，分别对每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；
标注结果确定模块403，用于根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果。
可选的，所述数据分割模块包括：
目标区域确定单元，用于根据所述原始点云数据集合中，各点云数据在世界坐标系的X轴和Y轴方向上的数值，确定水平面上的目标区域；
点云数据子集获取单元，用于在所述目标区域内，将预设大小的滑动窗口在所述X轴和Y轴两个方向上，分别按照第一步长和第二步长滑动，且每滑动一次，从所述滑动窗口当前对应区域内的点云数据中，获取至少一个点云数据子集，直到所述目标区域内的全部点云数据统计完成为止。
可选的，所述目标区域为矩形区域，并且所述矩形区域的四个顶点，由所述原始点云数据集合中各点云数据在所述X轴和Y轴方向上的极值确定。
可选的，所述点云数据子集获取单元具体用于：
从所述滑动窗口当前对应区域内的点云数据中，随机获取具有设定数量的至少一个点云数据子集；
其中，如果所述滑动窗口当前对应区域内剩余的点云数据数量不足所述设定数量，则从所述滑动窗口当前对应区域中已经获取的点云数据子集中，随机获取点云数据补足所述设定数量。
可选的，所述数据分割模块还包括：
归一化单元，用于对获取的每个点云数据子集分别进行归一化。
可选的，所述数据分割模块还包括旋转单元，用于在所述目标区域确定单元确定水平面上的目标区域之前，执行如下操作：
在所述原始点云数据集合中进行点云平面估计，得到路面平面方程；
计算将所述路面平面方程旋转到其法向量的方向与世界坐标系的Z轴方向相同时的旋转矩阵；
根据所述旋转矩阵，将所述原始点云数据集合中的点云数据进行旋转。
可选的，所述标注结果确定模块具体用于根据所述每个点云数据子集中各点云数据在所述原始点云数据集合中的编号，执行如下操作：
如果当前编号对应的至少一个点云数据中，各点云数据的预测类别均相同，则将该预测类别作为所述原始点云数据集合中当前编号的点云数据的标注结果；
如果当前编号对应的至少一个点云数据中，各点云数据的预测类别不唯一，则根据每种预测类别的预测概率确定目标预测类别，并将该目标预测类别作为所述原始点云数据集合中当前编号的点云数据的标注结果。
可选的，所述装置还包括：
人工修改模块，用于将所述原始点云数据集合中各点云数据的标注结果作为预标注结果，以供人工修改。
本申请实施例提供的点云数据标注装置400可执行本申请任意实施例提供的点云数据标注方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。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，个人数字处理、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/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器（ROM）502中的计算机程序或者从存储单元508加载到随机访问存储器（RAM）503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如点云数据标注方法。例如，在一些实施例中，点云数据标注方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的点云数据标注方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行点云数据标注方法。
本文中以上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、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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）、区块链网络和互联网。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (16)
1.一种点云数据标注方法，包括：
将原始点云数据集合进行数据分割，得到至少两个点云数据子集，其中，所述至少两个点云数据子集中存在多个相同编号的点云数据；
利用预先训练的预测模型，分别对每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；
根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果；
其中，所述根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果，包括：
根据所述每个点云数据子集中各点云数据在所述原始点云数据集合中的编号，执行如下操作：
如果当前编号对应的至少一个点云数据中，各点云数据的预测类别均相同，则将该预测类别作为所述原始点云数据集合中当前编号的点云数据的标注结果；
如果当前编号对应的至少一个点云数据中，各点云数据的预测类别不唯一，则根据每种预测类别的预测概率确定目标预测类别，并将该目标预测类别作为所述原始点云数据集合中当前编号的点云数据的标注结果。
2.根据权利要求1所述的方法，其中，所述将原始点云数据集合进行数据分割，得到至少两个点云数据子集，包括：
根据所述原始点云数据集合中，各点云数据在世界坐标系的X轴和Y轴方向上的数值，确定水平面上的目标区域；
在所述目标区域内，将预设大小的滑动窗口在所述X轴和Y轴两个方向上，分别按照第一步长和第二步长滑动，且每滑动一次，从所述滑动窗口当前对应区域内的点云数据中，获取至少一个点云数据子集，直到所述目标区域内的全部点云数据统计完成为止。
3.根据权利要求2所述的方法，其中，所述目标区域为矩形区域，并且所述矩形区域的四个顶点，由所述原始点云数据集合中各点云数据在所述X轴和Y轴方向上的极值确定。
4.根据权利要求2所述的方法，其中，所述从所述滑动窗口当前对应区域内的点云数据中，获取至少一个点云数据子集，包括：
从所述滑动窗口当前对应区域内的点云数据中，随机获取具有设定数量的至少一个点云数据子集；
其中，如果所述滑动窗口当前对应区域内剩余的点云数据数量不足所述设定数量，则从所述滑动窗口当前对应区域中已经获取的点云数据子集中，随机获取点云数据补足所述设定数量。
5.根据权利要求2所述的方法，其中，所述将原始点云数据集合进行数据分割，得到至少两个点云数据子集，还包括：
对获取的每个点云数据子集分别进行归一化。
6.根据权利要求2所述的方法，其中，在所述确定水平面上的目标区域之前，所述将原始点云数据集合进行数据分割，得到至少两个点云数据子集，还包括：
在所述原始点云数据集合中进行点云平面估计，得到路面平面方程；
计算将所述路面平面方程旋转到其法向量的方向与世界坐标系的Z轴方向相同时的旋转矩阵；
根据所述旋转矩阵，将所述原始点云数据集合中的点云数据进行旋转。
7.根据权利要求1所述的方法，还包括：
将所述原始点云数据集合中各点云数据的标注结果作为预标注结果，以供人工修改。
8.一种点云数据标注装置，包括：
数据分割模块，用于将原始点云数据集合进行数据分割，得到至少两个点云数据子集，其中，所述至少两个点云数据子集中存在多个相同编号的点云数据；
类别预测模块，用于利用预先训练的预测模型，分别对每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；
标注结果确定模块，用于根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果；
其中，所述标注结果确定模块具体用于根据所述每个点云数据子集中各点云数据在所述原始点云数据集合中的编号，执行如下操作：
如果当前编号对应的至少一个点云数据中，各点云数据的预测类别均相同，则将该预测类别作为所述原始点云数据集合中当前编号的点云数据的标注结果；
如果当前编号对应的至少一个点云数据中，各点云数据的预测类别不唯一，则根据每种预测类别的预测概率确定目标预测类别，并将该目标预测类别作为所述原始点云数据集合中当前编号的点云数据的标注结果。
9.根据权利要求8所述的装置，其中，所述数据分割模块包括：
目标区域确定单元，用于根据所述原始点云数据集合中，各点云数据在世界坐标系的X轴和Y轴方向上的数值，确定水平面上的目标区域；
点云数据子集获取单元，用于在所述目标区域内，将预设大小的滑动窗口在所述X轴和Y轴两个方向上，分别按照第一步长和第二步长滑动，且每滑动一次，从所述滑动窗口当前对应区域内的点云数据中，获取至少一个点云数据子集，直到所述目标区域内的全部点云数据统计完成为止。
10.根据权利要求9所述的装置，其中，所述目标区域为矩形区域，并且所述矩形区域的四个顶点，由所述原始点云数据集合中各点云数据在所述X轴和Y轴方向上的极值确定。
11.根据权利要求9所述的装置，其中，所述点云数据子集获取单元具体用于：
从所述滑动窗口当前对应区域内的点云数据中，随机获取具有设定数量的至少一个点云数据子集；
其中，如果所述滑动窗口当前对应区域内剩余的点云数据数量不足所述设定数量，则从所述滑动窗口当前对应区域中已经获取的点云数据子集中，随机获取点云数据补足所述设定数量。
12.根据权利要求9所述的装置，其中，所述数据分割模块还包括：
归一化单元，用于对获取的每个点云数据子集分别进行归一化。
13.根据权利要求9所述的装置，其中，所述数据分割模块还包括旋转单元，用于在所述目标区域确定单元确定水平面上的目标区域之前，执行如下操作：
在所述原始点云数据集合中进行点云平面估计，得到路面平面方程；
计算将所述路面平面方程旋转到其法向量的方向与世界坐标系的Z轴方向相同时的旋转矩阵；
根据所述旋转矩阵，将所述原始点云数据集合中的点云数据进行旋转。
14.根据权利要求8所述的装置，还包括：
人工修改模块，用于将所述原始点云数据集合中各点云数据的标注结果作为预标注结果，以供人工修改。
15. 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权利要求1-7中任一项所述的点云数据标注方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的点云数据标注方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110358181.5A CN112862017B (zh) | 2021-04-01 | 2021-04-01 | 点云数据的标注方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110358181.5A CN112862017B (zh) | 2021-04-01 | 2021-04-01 | 点云数据的标注方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112862017A CN112862017A (zh) | 2021-05-28 |
| CN112862017B true CN112862017B (zh) | 2023-08-01 |
Family
ID=75992156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110358181.5A Active CN112862017B (zh) | 2021-04-01 | 2021-04-01 | 点云数据的标注方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862017B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114596196A (zh) * | 2022-03-04 | 2022-06-07 | 北京百度网讯科技有限公司 | 点云数据的滤波方法和装置、设备以及存储介质 |
| CN115984827B (zh) * | 2023-03-06 | 2024-02-02 | 安徽蔚来智驾科技有限公司 | 点云感知方法、计算机设备及计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
| CN110598743A (zh) * | 2019-08-12 | 2019-12-20 | 北京三快在线科技有限公司 | 一种目标对象的标注方法和装置 |
| WO2020006765A1 (zh) * | 2018-07-06 | 2020-01-09 | 深圳前海达闼云端智能科技有限公司 | 地面检测方法、相关装置及计算机可读存储介质 |
| CN111563450A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备及存储介质 |
| WO2020199834A1 (zh) * | 2019-04-03 | 2020-10-08 | 腾讯科技（深圳）有限公司 | 一种物体检测方法、装置、网络设备和存储介质 |
| CN112287939A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技（深圳）有限公司 | 三维点云语义分割方法、装置、设备及介质 |
-
2021
- 2021-04-01 CN CN202110358181.5A patent/CN112862017B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020006765A1 (zh) * | 2018-07-06 | 2020-01-09 | 深圳前海达闼云端智能科技有限公司 | 地面检测方法、相关装置及计算机可读存储介质 |
| WO2020199834A1 (zh) * | 2019-04-03 | 2020-10-08 | 腾讯科技（深圳）有限公司 | 一种物体检测方法、装置、网络设备和存储介质 |
| CN110598743A (zh) * | 2019-08-12 | 2019-12-20 | 北京三快在线科技有限公司 | 一种目标对象的标注方法和装置 |
| CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
| CN111563450A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN112287939A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技（深圳）有限公司 | 三维点云语义分割方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112862017A (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113408141B (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| CN112862017B (zh) | 点云数据的标注方法、装置、设备和介质 | |
| CN112560862B (zh) | 文本识别方法、装置及电子设备 | |
| CN113870334B (zh) | 深度检测方法、装置、设备以及存储介质 | |
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| CN114296083A (zh) | 雷达点云数据处理方法、装置、设备以及存储介质 | |
| CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
| CN113570727B (zh) | 场景文件的生成方法、装置、电子设备及存储介质 | |
| CN117236236B (zh) | 一种芯片设计数据管理方法、装置、电子设备及存储介质 | |
| CN114677653A (zh) | 模型训练方法、车辆关键点检测方法及相应的装置 | |
| CN114461720A (zh) | 处理地图数据的方法、装置、设备、存储介质及程序产品 | |
| CN116468967A (zh) | 样本图像筛选方法、装置、电子设备及存储介质 | |
| CN112988932B (zh) | 高精地图标注方法、装置、设备、可读存储介质及产品 | |
| CN115879004A (zh) | 目标模型的训练方法、装置、电子设备、介质和程序产品 | |
| CN113868254B (zh) | 图数据库中的实体节点去重方法、设备和存储介质 | |
| CN113032071B (zh) | 页面元素定位方法、页面测试方法、装置、设备和介质 | |
| CN114974438A (zh) | 粒子运动模拟方法、装置、设备、存储介质和程序产品 | |
| CN113723405A (zh) | 区域轮廓的确定方法、装置和电子设备 | |
| CN112560987A (zh) | 图像样本处理方法、装置、设备、存储介质和程序产品 | |
| CN114049615B (zh) | 行驶环境中交通对象融合关联方法、装置及边缘计算设备 | |
| CN113254993B (zh) | 数据保护方法、装置、设备、存储介质和程序产品 | |
| CN115841475A (zh) | 一种心脏图像分割方法、装置、设备及存储介质 | |
| CN114898323A (zh) | 场景匹配方法、装置、电子设备及存储介质 | |
| CN114490909A (zh) | 对象关联方法、装置和电子设备 | |
| CN117271113A (zh) | 任务执行方法、装置、电子设备和存储介质 |
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 |