CN112906519B - 一种车辆类型识别方法及装置 - Google Patents

一种车辆类型识别方法及装置 Download PDF

Info

Publication number
CN112906519B
CN112906519B CN202110155995.9A CN202110155995A CN112906519B CN 112906519 B CN112906519 B CN 112906519B CN 202110155995 A CN202110155995 A CN 202110155995A CN 112906519 B CN112906519 B CN 112906519B
Authority
CN
China
Prior art keywords
data
point cloud
point
cloud cluster
cluster 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
CN202110155995.9A
Other languages
English (en)
Other versions
CN112906519A (zh
Inventor
左勇
任超
苗昌宇
杜志华
黎飞宇
宋晓菡
伍剑
洪小斌
李岩
邱吉芳
郭宏翔
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110155995.9A priority Critical patent/CN112906519B/zh
Publication of CN112906519A publication Critical patent/CN112906519A/zh
Application granted granted Critical
Publication of CN112906519B publication Critical patent/CN112906519B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供了一种车辆类型识别方法及装置，涉及数据处理领域，上述方法包括：获得数据采集场景中激光雷达采集的点数据；对所获得的点数据进行聚类，得到用于描述数据采集场景中车辆的点云簇数据；对点云簇数据中点数据进行特征提取，得到点云簇数据的特征集，特征集包括以下特征中的至少一种：几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征，惯性张量特征用于表征点云簇数据所描述的车辆进行转动时质量分布的特征；将点云簇数据的特征集与各个预设车辆类型的特征集进行匹配，基于匹配结果，确定点云簇数据所描述的车辆的类型。应用本实施例提供的方案进行车辆类型识别，以提高车辆类型识别的效率。

Description

一种车辆类型识别方法及装置
技术领域
本发明涉及数据处理技术领域，特别是涉及一种车辆类型识别方法及装置。
背景技术
在道路中可以容纳各种类型的车辆行驶，具体的，车辆类型包括机动车类型和非机动车类型，更具体的，机动车类型包括小汽车类型、大巴车类型等，非机动车类型包括自行车类型、电动车类型等。各种类型的车辆需要行驶在道路中预设的行驶区域内，例如：机动车类型的车辆需要行驶在道路的机动车行驶区域内，非机动车类型的车辆需要行驶在道路的非机动车行驶区域内。当道路的行驶区域中出现不属于该行驶区域的车辆时，会对道路交通安全造成一定的影响。例如：当机动车行驶区域中出现行驶的非机动车时，可能存在一定的安全隐患。因此，需要对车辆类型进行识别，以提高道路交通的安全性。
现有技术中通常由工作人员对车辆行驶道路中各个车辆的类型进行识别。然而当车辆数量较多时，工作人员进行车辆类型识别的工作量较大，导致识别效率较低。
发明内容
本发明实施例的目的在于提供一种车辆类型识别方法及装置，以提高识别效率。具体技术方案如下：
第一方面，本发明实施例提供了一种车辆类型识别方法，所述方法包括：
获得数据采集场景中激光雷达采集的点数据；
对所获得的点数据进行聚类，得到用于描述所述数据采集场景中车辆的点云簇数据；
对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的特征集，所述特征集包括以下特征中的至少一种：几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征，所述惯性张量特征用于表征所述点云簇数据所描述的车辆进行转动时质量分布的特征；
将所述点云簇数据的特征集与各个预设车辆类型的特征集进行匹配，基于匹配结果，确定所述点云簇数据所描述的车辆的类型。
本发明的一个实施例中，在所述得到用于描述所述数据采集场景中车辆的点云簇数据之后，还包括：
基于所述点云簇数据中各点数据在雷达坐标系下的位置信息，构建所述点云簇数据中点数据所在数据空间的点云坐标系，其中，所述雷达坐标系为：基于所述激光雷达的内参预先构建的坐标系；
确定所述雷达坐标系与所述点云坐标系间的映射关系，并基于所述映射关系，将所述点云簇数据中各个点数据在所述雷达坐标系下的位置信息转换为在所述点云坐标系下的位置信息；
所述对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的特征集，包括：
基于所述点云簇数据中各点数据在所述点云坐标系下的位置信息，对所述点数据进行特征提取，得到所述点云簇数据的特征集。
本发明的一个实施例中，通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的几何特征：
基于所获得的点数据在雷达坐标系下的深度信息，确定描述所述数据采集场景中地面的地面深度信息；
基于所述点云簇数据中点数据在所述雷达坐标系下的深度信息与所述地面深度信息，确定所述点云簇数据的高度特征，并基于所述点云簇数据中点数据在所述点云坐标系下的位置信息，确定所述点云簇数据的长度特征和宽度特征，得到包含所确定的高度特征、长度特征和宽度特征的所述几何特征。
本发明的一个实施例中，通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的横向轮廓特征：
将所述点云簇数据纵向划分为第一预设数量层点云子簇数据；
根据每一点云子簇数据中点数据在所述点云坐标系下的位置信息，确定每一点云子簇数据的形状特征，得到包含各层点云子簇数据的形状特征的所述横向轮廓特征。
本发明的一个实施例中，通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的纵向轮廓特征：
将所述点云簇数据横向划分为第二预设数量层点云子簇数据；
基于所获得的点数据在雷达坐标系下的深度信息，确定描述所述数据采集场景中地面的地面深度信息；
根据每一点云子簇数据中点数据在所述雷达坐标系下的深度信息与所述地面深度信息，确定每一点云子簇数据的高度特征，得到包含各层点云子簇数据的深度特征的所述纵向轮廓特征。
本发明的一个实施例中，按照以下表达式计算所述点云簇数据的惯性张量特征I：
其中，i表示所述点云簇数据中点数据的序号，n表示所述点云簇数据中点数据的数量，xi表示所述点云簇数据中第i个点数据的横轴位置信息，yi表示所述点云簇数据中第i个点数据的纵轴位置信息，zi表示所述点云簇数据中第i个点数据的竖轴位置信息。
本发明的一个实施例中，按照以下表达式计算所述点云簇数据的点数据相关性的统计特征X：
其中，i表示所述点云簇数据中点数据的序号，n表示所述点云簇数据中点数据的数量，xi表示所述点云簇数据中第i个点数据的横轴位置信息，yi表示所述点云簇数据中第i个点数据的纵轴位置信息，zi表示所述点云簇数据中第i个点数据的竖轴位置信息。
本发明的一个实施例中，获得数据采集场景中激光雷达采集的点数据，包括：
获得数据采集场景中激光雷达采集的原始点数据；
对所获得的原始点数据进行噪声抑制，得到第一点数据；
基于所述第一点数据包含的位置信息，确定描述所述数据采集场景中地面的第二点数据；
获得所述第一点数据中除所述第二点数据外的点数据。
第二方面，本发明实施例提供了一种车辆类型识别装置，所述装置包括：
数据获得模块，用于获得数据采集场景中激光雷达采集的点数据；
点云簇数据获得模块，用于对所获得的点数据进行聚类，得到用于描述所述数据采集场景中车辆的点云簇数据；
特征集获得模块，用于对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的特征集，所述特征集包括以下特征中的至少一种：几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征，所述惯性张量特征用于表征所述点云簇数据所描述的车辆进行转动时质量分布的特征；
类型确定模块，用于将所述点云簇数据的特征集与各个预设车辆类型的特征集进行匹配，基于匹配结果，确定所述点云簇数据所描述的车辆的类型。
本发明的一个实施例中，上述装置还包括：
坐标系构建模块，用于在所述点云簇数据获得模块之后，基于所述点云簇数据中各点数据在雷达坐标系下的位置信息，构建所述点云簇数据中点数据所在数据空间的点云坐标系，其中，所述雷达坐标系为：基于所述激光雷达的内参预先构建的坐标系；
位置信息转换模块，用于确定所述雷达坐标系与所述点云坐标系间的映射关系，并基于所述映射关系，将所述点云簇数据中各个点数据在所述雷达坐标系下的位置信息转换为在所述点云坐标系下的位置信息；
所述特征集获得模块，具体用于基于所述点云簇数据中各点数据在所述点云坐标系下的位置信息，对所述点数据进行特征提取，得到所述点云簇数据的特征集。
本发明的一个实施例中，上述特征集获得模块具体用于通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的几何特征：基于所获得的点数据在雷达坐标系下的深度信息，确定描述所述数据采集场景中地面的地面深度信息；基于所述点云簇数据中点数据在所述雷达坐标系下的深度信息与所述地面深度信息，确定所述点云簇数据的高度特征，并基于所述点云簇数据中点数据在所述点云坐标系下的位置信息，确定所述点云簇数据的长度特征和宽度特征，得到包含所确定的高度特征、长度特征和宽度特征的所述几何特征。
本发明的一个实施例中，上述特征集获得模块具体用于通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的横向轮廓特征：将所述点云簇数据纵向划分为第一预设数量层点云子簇数据；根据每一点云子簇数据中点数据在所述点云坐标系下的位置信息，确定每一点云子簇数据的形状特征，得到包含各层点云子簇数据的形状特征的所述横向轮廓特征。
本发明的一个实施例中，上述特征集获得模块具体用于通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的纵向轮廓特征：将所述点云簇数据横向划分为第二预设数量层点云子簇数据；基于所获得的点数据在雷达坐标系下的深度信息，确定描述所述数据采集场景中地面的地面深度信息；根据每一点云子簇数据中点数据在所述雷达坐标系下的深度信息与所述地面深度信息，确定每一点云子簇数据的高度特征，得到包含各层点云子簇数据的深度特征的所述纵向轮廓特征。
本发明的一个实施例中，上述特征集获得模块具体用于按照以下表达式计算所述点云簇数据的惯性张量特征I：
其中，i表示所述点云簇数据中点数据的序号，n表示所述点云簇数据中点数据的数量，xi表示所述点云簇数据中第i个点数据的横轴位置信息，yi表示所述点云簇数据中第i个点数据的纵轴位置信息，zi表示所述点云簇数据中第i个点数据的竖轴位置信息。
本发明的一个实施例中，上述特征集获得模块具体用于按照以下表达式计算所述点云簇数据的点数据相关性的统计特征X：
其中，i表示所述点云簇数据中点数据的序号，n表示所述点云簇数据中点数据的数量，xi表示所述点云簇数据中第i个点数据的横轴位置信息，yi表示所述点云簇数据中第i个点数据的纵轴位置信息，zi表示所述点云簇数据中第i个点数据的竖轴位置信息。
本发明的一个实施例中，上述数据获得模块，具体用于获得数据采集场景中激光雷达采集的原始点数据；对所获得的原始点数据进行噪声抑制，得到第一点数据；基于所述第一点数据包含的位置信息，确定描述所述数据采集场景中地面的第二点数据；获得所述第一点数据中除所述第二点数据外的点数据。
第三方面，本发明实施例提供了一种一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述的方法步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。
由以上可见，应用本发明实施例提供的方案进行车辆类型识别时，由于是获得数据采集场景中激光雷达采集的点数据；并对所获得的点数据进行聚类，得到用于描述数据采集场景中车辆的点云簇数据；对点云簇数据中点数据进行特征提取，得到点云簇数据的特征集，将点云簇数据的特征集与各个预设车辆类型的特征集进行匹配，基于匹配结果，确定点云簇数据所描述的车辆的类型。相较于现有技术，不需要由工作人员手动进行车辆类型识别，提高了车辆类型识别的效率。
另外，由于点云簇数据的特征集包含几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征中的至少一种，上述各个特征均可以较为准确地反映点云簇数据所描述车辆的信息，也就是点云簇数据的特征集可以较为准确地反映点云簇数据所描述车辆的信息，所以在将点云簇数据的特征集与各个预设车辆类型的特征集进行匹配时，可以得到较为准确的匹配结果，从而基于匹配结果，可以较为准确地对车辆类型进行识别。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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简单地介绍，显而易见地，下面描述中的附图仅仅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车辆类型识别方法的流程示意图；
图2为本发明实施例提供的一种车辆轮廓的示意图；
图3为本发明实施例提供的另一种车辆轮廓的示意图；
图4为本发明实施例提供的一种车辆类型识别方法的流程框图；
图5为本发明实施例提供的一种车辆类型识别装置的结构示意图
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅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基于本申请所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1为本发明实施例提供的一种车辆类型识别方法的流程示意图，上述方法包括以下步骤S101-S104。
步骤S101：获得数据采集场景中激光雷达采集的点数据。
上述数据采集场景可以为车辆驾驶场景、车辆停放场景等。
激光雷达是一种以激光波束为载体进行主动探测的传感器，可以获取目标的深度信息和强度信息，具有方向性好、测距精度高、全天时工作的优点。激光雷达获取的三维信息反映的是目标在现实世界中的三维尺寸信息，与传统二维信息相比，包含了更多的信息量，能够更全面真实的对目标进行描述；利用三维信息进行目标识别，还可以充分利用现实世界中对目标已知的先验知识，在目标识别领域具有巨大的优势。
上述点数据中可以包含深度信息、平面位置信息、法向量信息等。
上述激光雷达可以架设在数据采集场景中的安装杆上，也可以安装在移动数据采集设备上，例如，上述激光雷达可以安装在自动驾驶车辆、飞行器上。
数据采集场景中激光雷达在发射激光后，发射激光接触到数据采集场景中对象会发生反射，激光雷达在接收到反射激光后，可以基于发射激光的发射时间、反射激光的到达时间、激光雷达所处位置等信息，确定表示数据采集场景中车辆位置的空间位置信息，从而将表示数据采集场景中各个车辆位置的空间位置信息组成点数据。
具体的，在获得数据采集场景中激光雷达采集的点数据时，可以是按照预设时间间隔获得激光雷达采集的点数据。例如：假设预设时间间隔为1s，每1s从上述数据采集场景中激光雷达获得其所采集的点数据。
步骤S102：对所获得的点数据进行聚类，得到用于描述数据采集场景中车辆的点云簇数据。
具体的，在进行聚类时，可以计算每两个点数据间的欧式距离、余弦距离等距离，当计算得到的距离小于预设距离阈值时，表示该两个点数据属于同一点云簇数据；当计算得到的欧式距离大于预设距离阈值时，表示该两个点数据不属于同一点云簇数据。
在获得各个点云簇数据后，由于数据采集场景中除了车辆以外，还可能包括人、建筑物等，因此，需要从所获得的各点云簇数据中确定用于描述数据采集场景中车辆的点云簇数据。
一种实施方式中，可以根据各点云簇数据所反映的物体形状，当点云簇数据所反映的物体形状与预设车辆形状相似度大于预设相似度阈值时，可以确定该点云簇数据为：用于描述数据采集场景中车辆的点云簇数据。
另一种实施方式中，可以确定各点云簇数据的长、宽、高最大值，当点云簇数据的长在预设长度范围内、宽在预设长度范围内、且高在预设长度范围内时，可以确定该点云簇数据为：用于描述数据采集场景中车辆的点云簇数据。
步骤S103：对点云簇数据中点数据进行特征提取，得到点云簇数据的特征集。
上述特征集包括以下特征中的至少一种：几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征。
上述几何特征用于反映点云簇数据所描述的车辆的几何信息，例如：车辆的尺寸、形状等几何信息。
上述横向轮廓特征用于反映点云簇数据所描述的车辆顶部到底部方向上的轮廓信息。以图2为例，图2为本发明实施例提供的一种车辆轮廓的示意图，图2表示从车辆顶部到底部方向上的车辆轮廓信息，横向轮廓特征可以用于反映图2所示的车辆轮廓信息。
上述纵向轮廓特征用于反映点云簇数据所描述的车辆纵向轮廓信息，以图3为例，图3为本发明实施例提供的另一种车辆轮廓的示意图，图3表示车辆的纵向轮廓信息，纵向轮廓特征可以用于反映图3所示的车辆轮廓信息。
上述惯性张量特征用于表征点云簇数据所描述的车辆进行转动时质量分布的特征。由于数据采集场景中车辆可能处于行进或者转动状态，当车辆进行转动时，车辆的质量分布会发生变化，惯性张量特征可以反映车辆转动时质量分布的信息。
上述点数据相关性的统计特征用于反映点数据中各点数据所包含的各维度信息之间的相关性信息。
为了能够全面充分反映点云簇数据所描述车辆的信息，本发明的一个实施例中，上述特征集中可以包括上述几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征。
具体的，可以采用特征提取算法提取点云簇数据中点数据，得到点云簇数据的特征。
步骤S104：将点云簇数据的特征集与各个预设车辆类型的特征集进行匹配，基于匹配结果，确定点云簇数据所描述的车辆的类型。
上述预设车辆类型可以由工作人员根据经验设定，例如：预设车辆类型可以包括机动车类型、非机动车类型，机动车类型还可以包括小汽车类型、大巴车类型、货车类型等，非机动车类型还可以包括自行车类型、电动车类型、三轮车类型等。
预设车辆类型的特征集也可以包括几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征中的至少一种，上述特征集可以由工作人员预先对各个预设车辆类型的车辆进行特征提取，综合所提取的特征，得到各个预设车辆类型的特征集。
具体的，在进行匹配时，可以计算点云簇数据的特征集与预设车辆类型的特征集间的相似度，当相似度大于或等于预设相似度阈值时，可以将点云簇数据所描述的车辆的类型确定为该预设车辆类型。
还可以将点云簇数据的特征集输入至预先训练的分类器模型，得到点云簇数据所描述的车辆的类型。上述预先训练的分类器模型为：由样本点云簇数据的特征集作为训练样本，以样本点云簇数据描述的车辆的类型为训练基准，对预设的分类器模型进行训练得到的，用于得到点云簇数据所描述的车辆的类型。
上述预设的分类器模型可以为XGBoost模型，XGBoost模型可以用于处理稀疏数据的树学习算法，可以用于并行树的学习。
由以上可见，应用本实施例提供的方案进行车辆类型识别时，由于是获得数据采集场景中激光雷达采集的点数据；并对所获得的点数据进行聚类，得到用于描述数据采集场景中车辆的点云簇数据；对点云簇数据中点数据进行特征提取，得到点云簇数据的特征集，将点云簇数据的特征集与各个预设车辆类型的特征集进行匹配，基于匹配结果，确定点云簇数据所描述的车辆的类型。相较于现有技术，不需要由工作人员手动进行车辆类型识别，提高了车辆类型识别的效率。
另外，由于点云簇数据的特征集包含几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征中的至少一种，上述各个特征均可以较为准确地反映点云簇数据所描述车辆的信息，也就是点云簇数据的特征集可以较为准确地反映点云簇数据所描述车辆的信息，所以在将点云簇数据的特征集与各个预设车辆类型的特征集进行匹配时，可以得到较为准确的匹配结果，从而基于匹配结果，可以较为准确地对车辆类型进行识别。
点云簇数据中各点数据的位置信息是在雷达坐标系下的位置信息，激光雷达可能是移动的，也就是雷达坐标系并非是固定的，为了能够得到更为准确的点云簇数据中各点数据的位置信息，在上述步骤S102之后，还可以基于点云簇数据中各点数据在雷达坐标系下的位置信息，构建点云簇数据中点数据所在数据空间的点云坐标系，确定雷达坐标系与点云坐标系间的映射关系，并基于映射关系，将点云簇数据中各个点数据在雷达坐标系下的位置信息转换为在点云坐标系下的位置信息。
上述雷达坐标系为：基于激光雷达的内参预先构建的坐标系。具体的，可以基于激光雷达所处位置作为雷达坐标系原点，基于激光雷达的内参确定雷达坐标系的x轴、y轴和z轴。在构建上述雷达坐标系时，可以采用现有技术中任意一种构建坐标系方式，在此不进行详述。上述激光雷达的内参可以是预先进行标定的。
在构建上述点云坐标系时，可以根据点云簇数据中各点数据在雷达坐标系下的位置信息，确定各点数据的分布情况，基于所确定的分布情况，确定点云坐标系的x轴、y轴、z轴。具体的，在水平面的方向上点数据分布的密度最大，可以在该方向上确定x轴，并在水平面与该方向垂直的方向上确定y轴，在垂直水平面的方向上点数据分布的密度最大，可以在该方向上确定z轴。还可以采用主成分分析法构建上述点云坐标系。
上述雷达坐标系与点云坐标系之间的映射关系可以通过对点云坐标系和雷达坐标系进行相互标定，基于所标定的点在点云坐标系下的位置信息和在雷达坐标系下的位置信息间的关系，确定雷达坐标系与点云坐标系间的映射关系。
点云簇数据中各点数据在雷达坐标系下的位置信息可以包括点数据的三维空间位置信息。在确定雷达坐标系与点云坐标系间的映射关系后，可以根据映射关系和点数据在雷达坐标系下的位置信息，得到点云簇数据中各点数据在点云坐标系下的位置信息。
这样，由于将点云簇数据中各个点数据在雷达坐标系下的位置信息转换为在点云坐标系下的位置信息，能够得到更为准确的点云簇数据中各点数据的位置信息。
在得到点云簇数据中各点数据在点云坐标系下的位置信息后，在上述步骤S103中，可以基于点云簇数据中各点数据在点云坐标系下的位置信息，对点数据进行特征提取，得到点云簇数据的特征集。
具体的，可以对点云簇数据中各点数据在点云坐标系下的位置信息进行特征提取，得到点云簇数据的特征集。
由于是基于点云簇数据中各点数据在点云坐标系下的位置信息，得到点云簇数据的特征集。且点云簇数据中各点数据在点云坐标系下的位置信息能够较为准确的反映点数据的位置信息，所以，能够得到较为准确的点云簇数据的特征集。
以下对上述步骤S103的具体实现方式进行阐述。
第一种实施方式，当特征集包括几何特征时，可以按照以下步骤A1-步骤A2对点云簇数据中点数据进行特征提取，得到点云簇数据的几何特征。
步骤A1：基于所获得的点数据在雷达坐标系下的深度信息，确定描述数据采集场景中地面的地面深度信息。
具体的，可以根据所获得的点数据在雷达坐标系下的深度信息与预设地面深度阈值间的关系，确定描述数据采集场景中地面的点数据，基于所确定的点数据，确定上述地面深度信息。
在确定描述数据采集场景中地面的点数据时，可以判断所获得的点数据在雷达坐标系下的深度信息是否小于预设深度阈值，若为是，将该点数据确定为描述数据采集场景中地面的点数据。
在得到描述数据采集场景中地面的点数据后，可以计算所得的各个点数据在雷达坐标系下的深度信息的平均值，作为描述数据采集场景中地面的地面深度信息。
还可以基于所得到的点数据，建立地面方程，作为描述数据采集场景中地面的地面深度信息。
步骤A2：基于点云簇数据中点数据在雷达坐标系下的深度信息与地面深度信息，确定点云簇数据的高度特征，并基于点云簇数据中点数据在点云坐标系下的位置信息，确定点云簇数据的长度特征和宽度特征，得到包含所确定的高度特征、长度特征和宽度特征的几何特征。
上述点云簇数据的高度特征用于反映点云簇数据所描述的车辆的高度信息，上述点云簇数据的长度特征用于反映点云簇数据所描述的车辆的长度信息，上述点云簇数据的宽度特征用于反映点云簇数据所描述的车辆的宽度信息。
具体的，可以计算点云簇数据中点数据在雷达坐标系下的深度信息与地面深度信息间的差异，提取差异最大的点数据的高度特征，作为点云簇数据的高度特征，也可以提取预设数量个差异最大的点数据的高度特征，并计算所提取的高度特征的平均值作为点云簇数据的高度特征。
在确定点云簇数据的长度特征和宽度特征时，可以确定点云簇数据中点数据在点云坐标系横轴下的最大值与最小值间的差异，对所确定的差异信息提取长度特征，得到点云簇数据的长度特征，并确定点云簇数据中点数据在点云坐标系纵轴下的最大值与最小值间的差异，对所确定的差异信息提取宽度特征，得到点云簇数据的宽度特征。
这样，由于所得到的几何特征包含高度特征、长度特征和宽度特征，高度特征、长度特征和宽度特征能够较为准确的反映车辆的几何特性，因此，所得到的几何特征可以较为准确地反映车辆的几何特征。
第二种实施方式，当特征集包括横向轮廓特征时，可以按照以下步骤B1-步骤B2对点云簇数据中点数据进行特征提取，得到点云簇数据的横向轮廓特征。
步骤B1：将点云簇数据纵向划分为第一预设数量层点云子簇数据。
上述第一预设数量可以由工作人员根据经验设定，例如：上述第一预设数量可以为10、15等。
具体的，可以根据点云簇数据中各点数据在点云坐标系下的深度信息，确定点云簇数据所描述的车辆的高度信息，在所确定的高度信息中进行划分时，可以按照预设间隔将点云簇数据划分为第一预设数量层点云子簇数据。
步骤B2：根据每一点云子簇数据中点数据在点云坐标系下的位置信息，确定每一点云子簇数据的形状特征，得到包含各层点云子簇数据的形状特征的横向轮廓特征。
上述点云子簇数据的形状特征用于反映点云子簇数据所描述的车辆的形状信息。
具体的，在确定点云子簇数据的形状特征时，可以根据点云子簇数据中点数据在点云坐标系横轴下的最大值与最小值间的差异，对所确定的差异信息提取长度特征，得到点云簇数据的长度特征，并确定点云簇数据中点数据在点云坐标系纵轴下的最大值与最小值间的差异，对所确定的差异信息提取宽度特征，得到点云簇数据的宽度特征，得到包含长度特征和宽度特征的形状特征，作为点云子簇数据的形状特征。
这样，由于所得到的横向轮廓特征包含各层点云子簇数据的形状特征，每一点云子簇数据的形状特征可以较为准确地反映每一点云子簇数据所描述车辆在该层上的轮廓信息，因此所得到的横向轮廓特征能够较为准确地反映车辆的轮廓信息。
第三种实施方式，当特征集包括纵向轮廓特征时，可以按照以下步骤C1-步骤C3对点云簇数据中点数据进行特征提取，得到点云簇数据的纵向轮廓特征。
步骤C1：将点云簇数据横向划分为第二预设数量层点云子簇数据。
上述第一预设数量可以由工作人员根据经验设定，例如：上述第一预设数量可以为10、15等。
具体的，可以根据点云簇数据中各点数据在点云坐标系横轴下的位置信息，确定点云簇数据所描述的车辆的长度信息，在所确定的长度信息中进行划分时，可以按照预设间隔将点云簇数据划分为第二预设数量层点云子簇数据。
步骤C2：基于所获得的点数据在雷达坐标系下的深度信息，确定描述数据采集场景中地面的地面深度信息。
具体的，可以根据所获得的点数据在雷达坐标系下的深度信息与预设地面深度阈值间的关系，确定描述数据采集场景中地面的点数据，基于所确定的点数据，确定上述地面深度信息。
在确定描述数据采集场景中地面的点数据时，可以判断所获得的点数据在雷达坐标系下的深度信息是否小于预设深度阈值，若为是，将该点数据确定为描述数据采集场景中地面的点数据。
在得到描述数据采集场景中地面的点数据后，可以计算所得的各个点数据在雷达坐标系下的深度信息的平均值，作为描述数据采集场景中地面的地面深度信息。
还可以基于所得到的点数据，建立地面方程，作为描述数据采集场景中地面的地面深度信息。
步骤C3：根据每一点云子簇数据中点数据在雷达坐标系下的深度信息与地面深度信息，确定每一点云子簇数据的高度特征，得到包含各层点云子簇数据的深度特征的纵向轮廓特征。
具体的，可以计算点云子簇数据中点数据在雷达坐标系下的深度信息与地面深度信息间的差异，提取差异最大的点数据的高度特征，作为点云子簇数据的高度特征。
也可以提取预设数量个差异最大的点数据的高度特征，并计算所提取的高度特征的平均值作为点云子簇数据的高度特征。
还可以提取点云子簇数据中各点数据的高度特征，并计算点云子簇数据中各点数据的高度特征的平均值，作为点云子簇数据的高度特征。
这样，由于所得到的纵向轮廓特征包含各层点云子簇数据的形状特征，每一点云子簇数据的高度特征可以较为准确地反映每一点云子簇数据所描述车辆在该层上的高度信息，因此所得到的纵向轮廓特征能够较为准确地反映车辆的轮廓信息。
第四种实施方式，当特征集包括惯性张量特征时，可以提取点云簇数据中各点数据的惯性特征，基于所提取的各惯性特征，确定点云簇数据描述的车辆的惯性张量特征。
还可以按照以下表达式计算所述点云簇数据的惯性张量特征。
其中，i表示点云簇数据中点数据的序号，n表示点云簇数据中点数据的数量，xi表示点云簇数据中第i个点数据的横轴位置信息，yi表示点云簇数据中第i个点数据的纵轴位置信息，zi表示点云簇数据中第i个点数据的竖轴位置信息。
具体的，xi可以表示点云簇数据中第i个点数据在雷达坐标系下的横轴位置信息，yi可以表示点云簇数据中第i个点数据在雷达坐标系下的纵轴位置信息，zi可以表示点云簇数据中第i个点数据在雷达坐标系下的竖轴位置信息。
xi还可以表示点云簇数据中第i个点数据在点云坐标系下的横轴位置信息；，yi可以表示点云簇数据中第i个点数据在点云坐标系下的纵轴位置信息，zi可以表示点云簇数据中第i个点数据在点云坐标系下的竖轴位置信息。
第五种实施方式，当特征集包括点云簇数据的点数据相关性的统计特征时，可以对点云簇数据的点数据包含的各维度信息进行统计分析，如计算方差、协方差等，基于所统计的信息提取统计特征。
还可以按照以下表达式计算点云簇数据的点数据相关性的统计特征：
其中，i表示点云簇数据中点数据的序号，n表示点云簇数据中点数据的数量，xi表示点云簇数据中第i个点数据的横轴位置信息，yi表示点云簇数据中第i个点数据的纵轴位置信息，zi表示点云簇数据中第i个点数据的竖轴位置信息。
具体的，xi可以表示点云簇数据中第i个点数据在雷达坐标系下的横轴位置信息，yi可以表示点云簇数据中第i个点数据在雷达坐标系下的纵轴位置信息，zi可以表示点云簇数据中第i个点数据在雷达坐标系下的竖轴位置信息。
xi还可以表示点云簇数据中第i个点数据在点云坐标系下的横轴位置信息；，yi可以表示点云簇数据中第i个点数据在点云坐标系下的纵轴位置信息，zi可以表示点云簇数据中第i个点数据在点云坐标系下的竖轴位置信息。
本发明的一个实施例中，点云簇数据的特征集还可以包括反射强度特征、密度特征以及表面特征中的至少一种。
上述反射强度特征用于反映点云簇数据所描述的车辆反射激光点云的反射强度信息。在对点云簇数据中点数据进行特征提取，得到点云簇数据的反射强度特征时，可以对点云簇数据描述车辆反射激光点云的反射强度信息进行统计分析，基于统计分析结果提取上述反射强度特征。具体的，可以对点云簇数据描述车辆反射激光点云的反射强度信息计算平均值、标准方差以及统计归一化直方图。在提取反射强度特征时，可以综合各个统计分析结果，对所综合结果进行特征提取，得到反射强度特征。
上述密度特征用于反映点云簇数据所描述的车辆内部的离散程度。具体的，可以确定描述车辆内部信息的点云簇数据中的点数据，对上述点数据进行离散程度特征提取，作为点云簇数据的密度特征。
上述表面特征用于反映点云簇数据所描述的车辆表面的信息。具体的，可以根据点云簇数据的点数据，确定点云簇数据所描述的车辆的表面法线信息，对所确定的表面法线信息提取法向量特征，作为点云簇数据的表面特征。
具体的，在确定上述表面法线信息时，可以根据点云簇数据包含的点数据建立点云簇数据所描述的车辆相对应的曲面，利用重建曲面技术得到曲面的表面法线信息；还可以根据点云簇数据包含的点数据计算表面法线信息。
具体的，由于激光雷达内部具有高斯白噪声、数据采集场景中距离反常噪声等影响，需要对数据采集场景中激光雷达采集的原始点数据进行预处理，本发明的一个实施例中，可以获得数据采集场景中激光雷达采集的原始点数据，对所获得的原始点数据进行噪声抑制，得到第一点数据，基于第一点数据包含的位置信息，确定描述数据采集场景中地面的第二点数据，获得第一点数据中除第二点数据外的点数据。
具体的，可以对所获得的原始点数据进行滤波，实现噪声抑制。在进行滤波时，可以采用中值滤波算法对原始点数据进行滤波，中值滤波算法是一种性能较优的非线性平滑滤波方式，对非线性的距离反常噪声具有较强抑制能力，对脉冲干扰和颗粒噪声最为有效。
在确定描述数据采集场景中地面的第二点数据时，可以根据第一点数据包含的位置信息，采用随机采样一致性算法构建描述数据采集场景中地面的地面方程，基于所确定的地面方程对第一点数据进行筛选，得到描述数据采集场景中地面的第二点数据。
由于第二点数据是用于描述数据采集场景中地面，所以需要在第一点数据中移除第二点数据，移除后的第一点数据中不包含描述数据采集场景中地面的数据。
这样，由于对原始点数据进行噪声抑制，避免了噪声干扰，并且在第一点数据中移除了描述数据采集场景中地面的点数据，使得所获得的点数据更为准确。
以下结合图4，对本发明实施例提供的车辆类型识别方法进行具体说明。
图4为本发明实施例提供的一种车辆类型识别方法的流程框图。
第一步，获得数据采集场景中激光雷达采集原始点数据。
第二步，对原始点数据进行预处理。
具体的，预处理步骤包括：对原始点数据进行噪声抑制、地面点移除。
第三步，对预处理后的点数据进行聚类，得到描述车辆的点云簇数据。
第四步，对点云簇数据中各点数据进行特征提取，得到点云簇数据的特征集。
其中，特征集包括几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征。
第五步，将点云簇数据输入至预先训练好的分类器模型，得到车辆类型的识别结果。
与上述车辆类型识别方法相对应，本发明实施例还提供了一种车辆类型识别装置。
参见图5，图5为本发明实施例提供的一种车辆类型识别装置的结构示意图，上述装置包括以下模块501-504。
数据获得模块501，用于获得数据采集场景中激光雷达采集的点数据；
点云簇数据获得模块502，用于对所获得的点数据进行聚类，得到用于描述所述数据采集场景中车辆的点云簇数据；
特征集获得模块503，用于对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的特征集，所述特征集包括以下特征中的至少一种：几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征，所述惯性张量特征用于表征所述点云簇数据所描述的车辆进行转动时质量分布的特征；
类型确定模块504，用于将所述点云簇数据的特征集与各个预设车辆类型的特征集进行匹配，基于匹配结果，确定所述点云簇数据所描述的车辆的类型。
由以上可见，应用本实施例提供的方案进行车辆类型识别时，由于是获得数据采集场景中激光雷达采集的点数据；并对所获得的点数据进行聚类，得到用于描述数据采集场景中车辆的点云簇数据；对点云簇数据中点数据进行特征提取，得到点云簇数据的特征集，将点云簇数据的特征集与各个预设车辆类型的特征集进行匹配，基于匹配结果，确定点云簇数据所描述的车辆的类型。相较于现有技术，不需要由工作人员手动进行车辆类型识别，提高了车辆类型识别的效率。
另外，由于点云簇数据的特征集包含几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征中的至少一种，上述各个特征均可以较为准确地反映点云簇数据所描述车辆的信息，也就是点云簇数据的特征集可以较为准确地反映点云簇数据所描述车辆的信息，所以在将点云簇数据的特征集与各个预设车辆类型的特征集进行匹配时，可以得到较为准确的匹配结果，从而基于匹配结果，可以较为准确地对车辆类型进行识别。
本发明的一个实施例中，上述装置还包括：
坐标系构建模块，用于在所述点云簇数据获得模块501之后，基于所述点云簇数据中各点数据在雷达坐标系下的位置信息，构建所述点云簇数据中点数据所在数据空间的点云坐标系，其中，所述雷达坐标系为：基于所述激光雷达的内参预先构建的坐标系；
位置信息转换模块，用于确定所述雷达坐标系与所述点云坐标系间的映射关系，并基于所述映射关系，将所述点云簇数据中各个点数据在所述雷达坐标系下的位置信息转换为在所述点云坐标系下的位置信息；
这样，由于将点云簇数据中各个点数据在雷达坐标系下的位置信息转换为在点云坐标系下的位置信息，能够得到更为准确的点云簇数据中各点数据的位置信息。
所述特征集获得模块，具体用于基于所述点云簇数据中各点数据在所述点云坐标系下的位置信息，对所述点数据进行特征提取，得到所述点云簇数据的特征集。
由于是基于点云簇数据中各点数据在点云坐标系下的位置信息，得到点云簇数据的特征集。且点云簇数据中各点数据在点云坐标系下的位置信息能够较为准确的反映点数据的位置信息，所以，能够得到较为准确的点云簇数据的特征集。
本发明的一个实施例中，上述特征集获得模块具体用于通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的几何特征：基于所获得的点数据在雷达坐标系下的深度信息，确定描述所述数据采集场景中地面的地面深度信息；基于所述点云簇数据中点数据在所述雷达坐标系下的深度信息与所述地面深度信息，确定所述点云簇数据的高度特征，并基于所述点云簇数据中点数据在所述点云坐标系下的位置信息，确定所述点云簇数据的长度特征和宽度特征，得到包含所确定的高度特征、长度特征和宽度特征的所述几何特征。
这样，由于所得到的几何特征包含高度特征、长度特征和宽度特征，高度特征、长度特征和宽度特征能够较为准确的反映车辆的几何特性，因此，所得到的几何特征可以较为准确地反映车辆的几何特征。
本发明的一个实施例中，上述特征集获得模块具体用于通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的横向轮廓特征：将所述点云簇数据纵向划分为第一预设数量层点云子簇数据；根据每一点云子簇数据中点数据在所述点云坐标系下的位置信息，确定每一点云子簇数据的形状特征，得到包含各层点云子簇数据的形状特征的所述横向轮廓特征。
这样，由于所得到的横向轮廓特征包含各层点云子簇数据的形状特征，每一点云子簇数据的形状特征可以较为准确地反映每一点云子簇数据所描述车辆在该层上的轮廓信息，因此所得到的横向轮廓特征能够较为准确地反映车辆的轮廓信息。
本发明的一个实施例中，上述特征集获得模块具体用于通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的纵向轮廓特征：将所述点云簇数据横向划分为第二预设数量层点云子簇数据；基于所获得的点数据在雷达坐标系下的深度信息，确定描述所述数据采集场景中地面的地面深度信息；根据每一点云子簇数据中点数据在所述雷达坐标系下的深度信息与所述地面深度信息，确定每一点云子簇数据的高度特征，得到包含各层点云子簇数据的深度特征的所述纵向轮廓特征。
这样，由于所得到的纵向轮廓特征包含各层点云子簇数据的形状特征，每一点云子簇数据的高度特征可以较为准确地反映每一点云子簇数据所描述车辆在该层上的高度信息，因此所得到的纵向轮廓特征能够较为准确地反映车辆的轮廓信息。
本发明的一个实施例中，上述特征集获得模块具体用于按照以下表达式计算所述点云簇数据的惯性张量特征I：
其中，i表示所述点云簇数据中点数据的序号，n表示所述点云簇数据中点数据的数量，xi表示所述点云簇数据中第i个点数据的横轴位置信息，yi表示所述点云簇数据中第i个点数据的纵轴位置信息，zi表示所述点云簇数据中第i个点数据的竖轴位置信息。
本发明的一个实施例中，上述特征集获得模块具体用于按照以下表达式计算所述点云簇数据的点数据相关性的统计特征X：
其中，i表示所述点云簇数据中点数据的序号，n表示所述点云簇数据中点数据的数量，xi表示所述点云簇数据中第i个点数据的横轴位置信息，yi表示所述点云簇数据中第i个点数据的纵轴位置信息，zi表示所述点云簇数据中第i个点数据的竖轴位置信息。
本发明的一个实施例中，上述数据获得模块，具体用于获得数据采集场景中激光雷达采集的原始点数据；对所获得的原始点数据进行噪声抑制，得到第一点数据；基于所述第一点数据包含的位置信息，确定描述所述数据采集场景中地面的第二点数据；获得所述第一点数据中除所述第二点数据外的点数据。
这样，由于对原始点数据进行噪声抑制，避免了噪声干扰，并且在第一点数据中移除了描述数据采集场景中地面的点数据，使得所获得的点数据更为准确。
与上述车辆类型识别方法相对应，本发明实施例还提供了一种电子设备。
参见图6，图6为本发明实施例提供的一种电子设备的结构示意图，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现本发明实施例提供的车辆类型识别方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的车辆类型识别方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行时实现本发明实施例提供的车辆类型识别方法。
由以上可见，应用本实施例提供的方案进行车辆类型识别时，由于是获得数据采集场景中激光雷达采集的点数据；并对所获得的点数据进行聚类，得到用于描述数据采集场景中车辆的点云簇数据；对点云簇数据中点数据进行特征提取，得到点云簇数据的特征集，将点云簇数据的特征集与各个预设车辆类型的特征集进行匹配，基于匹配结果，确定点云簇数据所描述的车辆的类型。相较于现有技术，不需要由工作人员手动进行车辆类型识别，提高了车辆类型识别的效率。
另外，由于点云簇数据的特征集包含几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征中的至少一种，上述各个特征均可以较为准确地反映点云簇数据所描述车辆的信息，也就是点云簇数据的特征集可以较为准确地反映点云簇数据所描述车辆的信息，所以在将点云簇数据的特征集与各个预设车辆类型的特征集进行匹配时，可以得到较为准确的匹配结果，从而基于匹配结果，可以较为准确地对车辆类型进行识别。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (6)

1.一种车辆类型识别方法，其特征在于，所述方法包括：
获得数据采集场景中激光雷达采集的点数据；
对所获得的点数据进行聚类，得到用于描述所述数据采集场景中车辆的点云簇数据；
对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的特征集，所述特征集包括以下特征中的至少一种：几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征，所述惯性张量特征用于表征所述点云簇数据所描述的车辆进行转动时质量分布的特征；
将所述点云簇数据的特征集与各个预设车辆类型的特征集进行匹配，基于匹配结果，确定所述点云簇数据所描述的车辆的类型；
在所述得到用于描述所述数据采集场景中车辆的点云簇数据之后，还包括：
基于所述点云簇数据中各点数据在雷达坐标系下的位置信息，构建所述点云簇数据中点数据所在数据空间的点云坐标系，其中，所述雷达坐标系为：基于所述激光雷达的内参预先构建的坐标系；
确定所述雷达坐标系与所述点云坐标系间的映射关系，并基于所述映射关系，将所述点云簇数据中各个点数据在所述雷达坐标系下的位置信息转换为在所述点云坐标系下的位置信息；
所述对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的特征集，包括：
基于所述点云簇数据中各点数据在所述点云坐标系下的位置信息，对所述点数据进行特征提取，得到所述点云簇数据的特征集；
通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的几何特征：
基于所获得的点数据在雷达坐标系下的深度信息，确定描述所述数据采集场景中地面的地面深度信息；
基于所述点云簇数据中点数据在所述雷达坐标系下的深度信息与所述地面深度信息，确定所述点云簇数据的高度特征，并基于所述点云簇数据中点数据在所述点云坐标系下的位置信息，确定所述点云簇数据的长度特征和宽度特征，得到包含所确定的高度特征、长度特征和宽度特征的所述几何特征；
通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的横向轮廓特征：
将所述点云簇数据纵向划分为第一预设数量层点云子簇数据；
根据每一点云子簇数据中点数据在所述点云坐标系下的位置信息，确定每一点云子簇数据的形状特征，得到包含各层点云子簇数据的形状特征的所述横向轮廓特征；
通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的纵向轮廓特征：
将所述点云簇数据横向划分为第二预设数量层点云子簇数据；
基于所获得的点数据在雷达坐标系下的深度信息，确定描述所述数据采集场景中地面的地面深度信息；
根据每一点云子簇数据中点数据在所述雷达坐标系下的深度信息与所述地面深度信息，确定每一点云子簇数据的高度特征，得到包含各层点云子簇数据的深度特征的所述纵向轮廓特征。
2.根据权利要求1所述的方法，其特征在于，
按照以下表达式计算所述点云簇数据的惯性张量特征I：
其中，i表示所述点云簇数据中点数据的序号，n表示所述点云簇数据中点数据的数量，xi表示所述点云簇数据中第i个点数据的横轴位置信息，yi表示所述点云簇数据中第i个点数据的纵轴位置信息，zi表示所述点云簇数据中第i个点数据的竖轴位置信息。
3.根据权利要求1所述的方法，其特征在于，
按照以下表达式计算所述点云簇数据的点数据相关性的统计特征X：
其中，i表示所述点云簇数据中点数据的序号，n表示所述点云簇数据中点数据的数量，xi表示所述点云簇数据中第i个点数据的横轴位置信息，yi表示所述点云簇数据中第i个点数据的纵轴位置信息，zi表示所述点云簇数据中第i个点数据的竖轴位置信息。
4.根据权利要求1所述的方法，其特征在于，所述获得数据采集场景中激光雷达采集的点数据，包括：
获得数据采集场景中激光雷达采集的原始点数据；
对所获得的原始点数据进行噪声抑制，得到第一点数据；
基于所述第一点数据包含的位置信息，确定描述所述数据采集场景中地面的第二点数据；
获得所述第一点数据中除所述第二点数据外的点数据。
5.一种车辆类型识别装置，其特征在于，所述装置包括：
数据获得模块，用于获得数据采集场景中激光雷达采集的点数据；
点云簇数据获得模块，用于对所获得的点数据进行聚类，得到用于描述所述数据采集场景中车辆的点云簇数据；
特征集获得模块，用于对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的特征集，所述特征集包括以下特征中的至少一种：几何特征、横向轮廓特征、纵向轮廓特征、惯性张量特征和点数据相关性的统计特征，所述惯性张量特征用于表征所述点云簇数据所描述的车辆进行转动时质量分布的特征；
类型确定模块，用于将所述点云簇数据的特征集与各个预设车辆类型的特征集进行匹配，基于匹配结果，确定所述点云簇数据所描述的车辆的类型；
坐标系构建模块，用于在所述点云簇数据获得模块之后，基于所述点云簇数据中各点数据在雷达坐标系下的位置信息，构建所述点云簇数据中点数据所在数据空间的点云坐标系，其中，所述雷达坐标系为：基于所述激光雷达的内参预先构建的坐标系；
位置信息转换模块，用于确定所述雷达坐标系与所述点云坐标系间的映射关系，并基于所述映射关系，将所述点云簇数据中各个点数据在所述雷达坐标系下的位置信息转换为在所述点云坐标系下的位置信息；
所述特征集获得模块，具体用于基于所述点云簇数据中各点数据在所述点云坐标系下的位置信息，对所述点数据进行特征提取，得到所述点云簇数据的特征集；
所述特征集获得模块具体用于通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的几何特征：基于所获得的点数据在雷达坐标系下的深度信息，确定描述所述数据采集场景中地面的地面深度信息；基于所述点云簇数据中点数据在所述雷达坐标系下的深度信息与所述地面深度信息，确定所述点云簇数据的高度特征，并基于所述点云簇数据中点数据在所述点云坐标系下的位置信息，确定所述点云簇数据的长度特征和宽度特征，得到包含所确定的高度特征、长度特征和宽度特征的所述几何特征；
所述特征集获得模块具体用于通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的横向轮廓特征：将所述点云簇数据纵向划分为第一预设数量层点云子簇数据；根据每一点云子簇数据中点数据在所述点云坐标系下的位置信息，确定每一点云子簇数据的形状特征，得到包含各层点云子簇数据的形状特征的所述横向轮廓特征；
所述特征集获得模块具体用于通过以下方式对所述点云簇数据中点数据进行特征提取，得到所述点云簇数据的纵向轮廓特征：将所述点云簇数据横向划分为第二预设数量层点云子簇数据；基于所获得的点数据在雷达坐标系下的深度信息，确定描述所述数据采集场景中地面的地面深度信息；根据每一点云子簇数据中点数据在所述雷达坐标系下的深度信息与所述地面深度信息，确定每一点云子簇数据的高度特征，得到包含各层点云子簇数据的深度特征的所述纵向轮廓特征。
6.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-4任一所述的方法步骤。
CN202110155995.9A 2021-02-04 2021-02-04 一种车辆类型识别方法及装置 Active CN112906519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110155995.9A CN112906519B (zh) 2021-02-04 2021-02-04 一种车辆类型识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110155995.9A CN112906519B (zh) 2021-02-04 2021-02-04 一种车辆类型识别方法及装置

Publications (2)

Publication Number Publication Date
CN112906519A CN112906519A (zh) 2021-06-04
CN112906519B true CN112906519B (zh) 2023-09-26

Family

ID=76122385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110155995.9A Active CN112906519B (zh) 2021-02-04 2021-02-04 一种车辆类型识别方法及装置

Country Status (1)

Country Link
CN (1) CN112906519B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114460582B (zh) * 2021-12-14 2023-04-14 江苏航天大为科技股份有限公司 一种基于点云速度的毫米波雷达大车识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550143A (zh) * 2018-04-03 2018-09-18 长安大学 一种基于rgb-d相机的车辆长宽高尺寸的测量方法
CN109188382A (zh) * 2018-07-27 2019-01-11 惠州华阳通用电子有限公司 一种基于毫米波雷达的目标识别方法
CN111045008A (zh) * 2020-01-15 2020-04-21 深圳市华讯方舟微电子科技有限公司 基于展宽计算的车载毫米波雷达目标识别方法
CN111259958A (zh) * 2020-01-15 2020-06-09 北京市商汤科技开发有限公司 物体识别方法及装置、存储介质
CN111580131A (zh) * 2020-04-08 2020-08-25 西安邮电大学 三维激光雷达智能车在高速公路上识别车辆的方法
CN112037521A (zh) * 2020-07-24 2020-12-04 长沙理工大学 一种车辆类型识别方法以及危化品车辆识别方法
CN112154454A (zh) * 2019-09-10 2020-12-29 深圳市大疆创新科技有限公司 目标对象的检测方法、系统、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101795432B1 (ko) * 2016-02-26 2017-11-10 현대자동차주식회사 차량 및 차량의 제어방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550143A (zh) * 2018-04-03 2018-09-18 长安大学 一种基于rgb-d相机的车辆长宽高尺寸的测量方法
CN109188382A (zh) * 2018-07-27 2019-01-11 惠州华阳通用电子有限公司 一种基于毫米波雷达的目标识别方法
CN112154454A (zh) * 2019-09-10 2020-12-29 深圳市大疆创新科技有限公司 目标对象的检测方法、系统、设备及存储介质
CN111045008A (zh) * 2020-01-15 2020-04-21 深圳市华讯方舟微电子科技有限公司 基于展宽计算的车载毫米波雷达目标识别方法
CN111259958A (zh) * 2020-01-15 2020-06-09 北京市商汤科技开发有限公司 物体识别方法及装置、存储介质
CN111580131A (zh) * 2020-04-08 2020-08-25 西安邮电大学 三维激光雷达智能车在高速公路上识别车辆的方法
CN112037521A (zh) * 2020-07-24 2020-12-04 长沙理工大学 一种车辆类型识别方法以及危化品车辆识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
动态分析中的惯性矩阵（张量）基础概念温习;于鹏飞_d9e3;《https://www.jianshu.com/p/52012514099c》;20201204;全文 *

Also Published As

Publication number Publication date
CN112906519A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN110988912B (zh) 自动驾驶车辆的道路目标与距离检测方法、系统、装置
EP3505962B1 (en) Method and apparatus for processing point cloud data
CN107316048B (zh) 点云分类方法及装置
US10915779B2 (en) Method for extracting uniform features from point cloud and system therefor
CN109087510B (zh) 交通监测方法及装置
CN113412505B (zh) 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的处理单元和方法
CN110163871B (zh) 一种多线激光雷达的地面分割方法及装置
CN108109139B (zh) 基于灰度体元模型的机载lidar三维建筑物检测方法
CN114820465B (zh) 点云检测模型训练方法、装置、电子设备及存储介质
Cheng et al. Building boundary extraction from high resolution imagery and lidar data
CN108562885B (zh) 一种高压输电线路机载LiDAR点云提取方法
CN116109601A (zh) 一种基于三维激光雷达点云的实时目标检测方法
CN115205803A (zh) 自动驾驶环境感知方法、介质及车辆
CN113970734A (zh) 路侧多线激光雷达降雪噪点去除方法、装置及设备
CN112906519B (zh) 一种车辆类型识别方法及装置
Jiangui et al. A method for main road extraction from airborne LiDAR data in urban area
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
CN113900101A (zh) 障碍物检测方法、装置及电子设备
CN113610143A (zh) 一种点云噪点的分类方法、装置、设备及存储介质
CN116184357B (zh) 一种地面点云数据处理方法、装置、电子装置和存储介质
CN114419573A (zh) 动态占据栅格估计方法及装置
CN113077473A (zh) 三维激光点云路面分割方法、系统、计算机设备及介质
CN115527187A (zh) 一种障碍物的分类方法以及装置
CN116863325A (zh) 一种用于多个目标检测的方法和相关产品
CN115453570A (zh) 一种多特征融合的矿区粉尘滤除方法

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