CN112991549A - 一种点云数据处理方法、装置、计算机设备和存储介质 - Google Patents
一种点云数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112991549A CN112991549A CN202110349370.6A CN202110349370A CN112991549A CN 112991549 A CN112991549 A CN 112991549A CN 202110349370 A CN202110349370 A CN 202110349370A CN 112991549 A CN112991549 A CN 112991549A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- coordinate value
- bit number
- target
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000013139 quantization Methods 0.000 claims abstract description 282
- 238000001514 detection method Methods 0.000 claims abstract description 154
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000007667 floating Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 36
- 238000002310 reflectometry Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 22
- 238000013507 mapping Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本公开提供了一种点云数据处理方法、装置、计算机设备和存储介质,所述方法包括:获取雷达采集的点云数据、预设的量化精度以及初始量化比特位数;基于量化精度和初始量化比特位数,确定目标量化比特位数;目标量化比特位数为初始量化比特位数的N倍,N为正整数;基于目标量化比特位数,将点云数据中的各个点云点的坐标值量化为目标量化比特位数的定点数表示的坐标值;将量化后的坐标值进行分组,得到N组数据,并基于N组数据,确定点云数据的检测结果。本公开将坐标值量化为初始量化比特位数的N倍的定点数,由于量化比特位数的提高,有效提高了坐标值的量化精度;由于量化精度的提高,低比特模型检测得到的检测结果的精度也得到了有效提升。
Description
技术领域
本公开涉及计算机技术领域,具体而言,涉及一种点云数据处理方法、装置、计算机设备和存储介质。
背景技术
低比特模型凭借低比特(小于或等于8bit)定点数运算的高性能有效地降低了低比特模型计算强度、参数大小和内存消耗,大大加快了低比特模型运算的速度。但是,低比特模型由于有限的数值表达能力,往往带来较高的精度损失。尤其是在将极低比特(小于或等于4bit)、二值网络(1bit)、梯度进行量化时,带来更大的精度挑战。
发明内容
本公开实施例至少提供一种点云数据处理方法、装置、计算机设备和存储介质,解决了将浮点数计算转化为低比特定点数时存在的较高精度损失的技术缺陷。
第一方面,本公开实施例提供了一种点云数据处理方法,包括:
获取雷达采集的点云数据、预设的量化精度以及初始量化比特位数;
基于所述量化精度和所述初始量化比特位数,确定目标量化比特位数;所述目标量化比特位数为所述初始量化比特位数的N倍,N为正整数;
基于所述目标量化比特位数,将所述点云数据中的各个点云点的坐标值量化为所述目标量化比特位数的定点数表示的坐标值;
将量化后的坐标值进行分组,得到N组数据,并基于所述N组数据,确定所述点云数据的检测结果。
本公开实施例中,初始量化比特位数为对点云数据进行检测的低比特模型所能处理的数据的比特位数,将点云点的坐标值量化为比特位数为初始量化比特位数的N倍的定点数,这样,由于量化比特位数的提高,有效提高了点云点坐标值的量化精度;进一步地,由于上述低比特模型只能处理初始量化比特位数的数据,因此在得到量化后的坐标值(该坐标值包括比特位数为初始量化比特位数的N倍的定点数),需要将该坐标值分割为N组,每组数据均包括初始量化比特位数的定点数,这样上述低比特模型不仅能够对分割后的每组数据进行处理,并且由于量化精度的提高,低比特模型检测得到的检测结果的精度也得到了有效提升。
一种可选的实施方式中,所述基于所述量化精度和所述初始量化比特位数,确定目标量化比特位数,包括:
获取所述雷达的检测范围;
基于所述量化精度、所述初始量化比特位数和所述检测范围,确定目标量化比特位数。
该实施方式,结合雷达的检测范围、初始量化比特位数以及量化精度这三种因素,能够确定出提高量化精度的目标量化比特位数,并且量化后的目标量化比特位数的定点数能够通过分组的方式适用于对点云数据进行检测的低比特模型。
一种可选的实施方式中,每个点云点的坐标值包括该点云点在雷达坐标系中竖直坐标轴方向上的第一坐标值;
所述基于所述目标量化比特位数,将所述点云数据中的各个点云点的坐标值量化为所述目标量化比特位数的定点数表示的坐标值,包括:
基于所述目标量化比特位数,将所述第一坐标值量化为所述目标量化比特位数的定点数表示的第一量化坐标值。
该实施方式,利用目标量化比特位数的定点数,即N组初始量化比特位数的定点数,表示一个点云点的第一坐标值,能够提高量化精度,进而最大限度的保留该点云点的第一坐标值的精度。
一种可选的实施方式中,每个点云点的坐标值包括该点云点在雷达坐标系中横坐标轴方向上的横向坐标值和该点云点在雷达坐标系中纵坐标轴方向上的纵向坐标值;所述横坐标轴和所述纵坐标轴形成的平面与水平面平行,且相互垂直;
所述基于所述目标量化比特位数,将所述点云数据中的各个点云点的坐标值量化为所述目标量化比特位数的定点数表示的坐标值,包括:
将所述雷达的检测范围,分割为多个第一子区域;
针对点云数据中的每个点云点,基于所述点云点的第二坐标值,将该点云点所处的第一子区域确定为第一目标子区域,以及确定该点云点相对于所述第一目标子区域中的第一预设点的第一偏移坐标;一个点云点的第二坐标值为该点云点的横向坐标值或者该点云点的纵向坐标值;
基于所述目标量化比特位数,将所述第一偏移坐标量化为所述目标量化比特位数的定点数表示的第二量化坐标值;
基于所述第一量化坐标值、所述第二量化坐标值和所述第一目标子区域的位置信息,确定该点云点量化后的坐标值。
该实施方式,将点云点的第二坐标值,即横向坐标值或纵向坐标值,利用其所处的第一目标子区域和其相对于第一目标子区域的第一偏移坐标来表示,实现了对点云点的第二坐标值利用更多维度的数据表示,能够提高后续的量化精度;另外,将第一偏移坐标量化为目标量化比特位数的定点数表示的第二量化坐标值,即使用N组初始量化比特位数的定点数表示的第二量化坐标值,能够提高量化精度,进而最大限度的保留各个点云点的坐标值的精度,减少精度损失。
一种可选的实施方式中,所述基于所述第一量化坐标值、所述第二量化坐标值和所述第一目标子区域的位置信息,确定该点云点量化后的坐标值,包括:
确定所述第一目标子区域在所述多个第一子区域中的第一位置顺序标识;
将所述第一位置顺序标识量化为第三量化坐标值;
将所述第一量化坐标值、所述第二量化坐标值和所述第三量化坐标值,作为该点云点量化后的坐标值。
该实施方式,利用第一位置顺序标识和第一偏移坐标,实现了对点云点的第二坐标值的多维度数据的表示,有利于提高量化精度;进一步地,利用量化后的第一量化坐标值、第二量化坐标值和第三量化坐标值,作为点云点量化后的坐标值,有效提高了点云点的坐标值的量化精度。
一种可选的实施方式中,还包括:
针对所述点云数据中的每个点云点,基于所述雷达的检测范围和所述初始量化比特位数,将该点云点的反射率量化为所述初始量化比特位数的定点数。
该实施方式,由于发射率的检测范围较小,所以基于初始量化比特位数对反射率进行量化,能够保证反射率的量化精度。
一种可选的实施方式中,所述检测结果包括N组定点数;每组定点数的数据位数等于所述初始量化比特位数;
在得到所述检测结果之后,还包括:
将所述N组定点数进行拼接,得到第一目标数据;
将所述第一目标数据反量化为浮点数。
该实施方式,由于N组定点数表示一个物理量对应的数据,因此对检测结果进行反量化处理,首先需要将N组定点数进行拼接,得到第一目标数据;之后,对拼接后的第一目标数据进行反量化处理,能够提高第一目标数据在反量化过程中的精度,减少精度损失。
一种可选的实施方式中,所述点云数据的检测结果包括检测框的中心点坐标值;所述中心点坐标值包括N组定点数;每组定点数的数据位数等于所述初始量化比特位数;
在得到所述检测结果之后,还包括:
将所述雷达的检测范围,分割为多个第二子区域;
从所述多个第二子区域中,将所述检测框的中心点所在的第二子区域确定为第二目标子区域,以及确定所述检测框的中心点相对于所述第二目标子区域中的第二预设点的第二偏移坐标;
将所述第二偏移坐标对应的N组定点数进行拼接,得到第二目标数据;
将所述第二目标数据反量化为浮点数。
该实施方式,将检测框的中心点坐标值,利用中心点所在的第二目标子区域和中心点相对于第二目标子区域中的第二预设点的第二偏移坐标来表示,实现了对检测框的中心点坐标值的多维度数据的表示,能够提高后续的反量化精度;另外,对拼接后的第二目标数据进行反量化处理,能够提高第二目标数据在反量化过程中的精度,减少精度损失。
一种可选的实施方式中,在确定了所述第二目标子区域之后,还包括:
确定所述第二目标子区域在所述多个第二子区域中的第二位置顺序标识;
将所述第二位置顺序标识反量化为浮点数;
将所述第二目标数据和所述第二位置顺序标识反量化得到的浮点数,作为所述检测框的中心点坐标值。
该实施方式,利用第二位置顺序标识和第二偏移坐标,实现了对中心点坐标值的多维度数据的表示,有利于提高反量化精度。
一种可选的实施方式中,所述点云数据的检测结果包括检测框的置信度;所述置信度为定点数;
所述方法还包括:
将所述置信度反量化为浮点数。
该实施方式,针对检测框的置信度,由于在应用过程中只考虑置信度的相对大小,因此能够直接将置信度反量化为浮点数,不会减少反量化过程中的精度损失。
一种可选的实施方式中,所述点云数据的检测结果包括检测框的尺寸数据;
所述方法还包括:
基于所述初始量化比特位数和所述检测框对应的目标对象的尺寸信息,确定反量化比例;
基于所述反量化比例,将所述检测框的尺寸数据反量化为浮点数。
该实施方式,通过反量化比例,能够准确地确定出检测框对应的目标对象的实际尺寸信息,即能够提高检测框的尺寸数据反量化得到的浮点数的准确度。
一种可选的实施方式中,所述尺寸数据包括以下至少一项:
所述检测框的长度值;所述检测框的宽度值;所述检测框的高度值;所述检测框的长边与雷达坐标系中横坐标轴正方向之间的夹角的弧度值。
第二方面,本公开实施例还提供一种点云数据处理装置,包括:
获取模块,用于获取雷达采集的点云数据、预设的量化精度以及初始量化比特位数;
第一确定模块,用于基于所述量化精度和所述初始量化比特位数,确定目标量化比特位数;所述目标量化比特位数为所述初始量化比特位数的N倍,N为正整数;
第一量化模块,用于基于所述目标量化比特位数,将所述点云数据中的各个点云点的坐标值量化为所述目标量化比特位数的定点数表示的坐标值;
第二确定模块,用于将量化后的坐标值进行分组,得到N组数据,并基于所述N组数据,确定所述点云数据的检测结果。
第三方面,本公开实施例还提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
第四方面,本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
关于上述点云数据处理装置、计算机设备和存储介质的效果描述参见上述点云数据处理方法的说明,这里不再赘述。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本公开实施例所提供的一种点云数据处理方法的流程图;
图2示出了本公开实施例所提供的雷达坐标系中点云数据检测范围的示意图;
图3示出了本公开实施例所提供的对点云数据中的点云点的第二坐标值进行量化的流程图;
图4示出了本公开实施例所提供的对检测框的中心点坐标值进行量化的流程图;
图5示出了本公开实施例所提供的一种点云数据处理装置的示意图;
图6示出了本公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开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公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
另外,本公开实施例中的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
在本文中提及的“多个或者若干个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
经研究发现,低比特模型凭借低比特(小于或等于8bit)定点数运算的高性能有效地降低了低比特模型计算强度、参数大小和内存消耗,大大加快了低比特模型运算的速度。但是,低比特模型由于有限的数值表达能力,往往带来较高的精度损失。尤其是在将极低比特(小于或等于4bit)、二值网络(1bit)、梯度进行量化时,带来更大的精度挑战。
针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案,都应该是发明人在本公开过程中对本公开做出的贡献。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
为便于对本实施例进行理解,首先对本公开实施例所公开的一种点云数据处理方法的应用场景进行介绍,本公开实施例为针对雷达检测的点云数据进行量化的过程,其中,量化可以是按照低比特位数进行量化,即比特位数小于或等于8bit的量化。针对雷达检测到的点云数据(比如32位浮点数),进行量化处理后,可以确定出低比特定点数,并作为低比特模型的输入数据;针对低比特模型输出的感知结果,即至少一个检测框,进行反量化处理,可以确定出定点数所能表达的取值范围对应的浮点数。
本公开实施例,为雷达检测到的每一点云数据中的各个点云点坐标值以及反射率较优的量化处理方式,个性化的提高每一变量值在量化过程中的精度,解决量化时精度损失较大的问题。
为便于对本实施例进行理解,首先对本公开实施例所公开的一种点云数据处理方法进行详细介绍,本公开实施例所提供的点云数据处理方法的执行主体一般为具有一定计算能力的计算机设备,该计算机设备例如包括:终端设备或服务器或其它处理设备,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该点云数据处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
下面以执行主体为计算机设备为例对本公开实施例提供的点云数据处理方法加以说明。
参见图1所示,为本公开实施例提供的一种点云数据处理方法的流程图,所述方法包括步骤S101~S104,其中:
S101:获取雷达采集的点云数据、预设的量化精度以及初始量化比特位数。
本步骤中,雷达采集的点云数据具有一定的检测范围,即雷达具有一定的检测范围,具体采集范围在此不进行限定。例如,可以用一个长方体来表示检测范围,以长方体的正中心为坐标原点,沿着长方体长、宽、高的方向为三个坐标轴,建立笛卡尔直角坐标系。具体实施时,雷达坐标系可以由相互垂直的横坐标轴、纵坐标轴、竖直坐标轴组成,横坐标轴和纵坐标轴形成的平面与水平面平行,且相互垂直,参见图2所示,其为雷达坐标系中点云数据对应的检测范围的示意图,其中x表示横坐标轴,y表示纵坐标轴,z表示竖直坐标轴,按照图2中表示的方向,沿x轴朝前方向表示横坐标轴的正方向,沿y轴朝右方向表示纵坐标轴的正方向,沿z轴朝上方向表示竖直坐标轴的正方向。
雷达采集的点云数据包括每一点云点的坐标值。这里,雷达采集的点云数据对应一定的检测范围,用上述一个长方体来表示,比如,长方体的长、宽、高分别用L、W、H表示,那么点云数据中的点云点的坐标值(x,y,z)就有确定的取值范围,即-L/2<x<L/2,-W/2<x<W/2,-H/2<x<H/2。
预设的量化精度可以根据应用过程所需要检测的目标对象来定义,示例性的,针对自动驾驶检测场景,雷达检测的目标对象为车辆,如果需要对检测的车辆位置精确到厘米级,再根据雷达的检测精度进行综合考虑,可以得到预设的量化精度,此时,预设的量化精度一般不超过雷达的检测精度。
量化可以包括按照8比特位数进行量化、按照4比特位数进行量化、按照2比特位数进行量化和按照1比特位数进行量化以及按照混合比特位数进行量化,不同比特位数量化使用的基础数值表示不同,其对应的数值表示方式分别为8比特定点数、4比特定点数、2比特定点数和1比特定点数,以及混合使用不同比特的定点数。例如,1比特定点数可以表示0和1两种数值。
另外,按照n比特位数进行量化,可以表示2^n种数值,其定点数取值范围为-2^(n-1)~2^(n-1)-1,其中n表示初始量化比特位数。
S102:基于量化精度和初始量化比特位数,确定目标量化比特位数。
其中,目标量化比特位数为初始量化比特位数的N倍,这里,N为正整数。
本步骤中,通过初始量化比特位数,以及应用过程所需要检测的目标对象的量化精度,确定出目标量化比特位数。
具体实施时,获取雷达的检测范围;基于量化精度、初始量化比特位数和检测范围,确定目标量化比特位数。示例性的,可以先获取雷达采集的点云数据对应的检测范围,记为
(min_x,min_y,min_z)~(max_x,max_y,max_z)
其中,点云点的坐标值为(x,y,z),min_x和max_x分别表示坐标值x的最小值和最大值,min_y和max_y分别表示坐标值y的最小值和最大值,min_z和max_z分别表示坐标值z的最小值和最大值。
在已知预设的量化精度为P、点云数据中的点云点的每一坐标值对应的检测范围、以及初始量化比特位数n的情况下,可以根据预先设置的转换关系,记P=(max_α-min_β)/(2^(n×N)),确定出初始量化比特位数的倍数,此时,在得到的倍数不为整数的情况下,将得到的倍数取整,取整的规则可以为向上取整或向下取整,在此不进行限定,在确定初始量化比特位数的整数倍数N之后,确定目标量化比特位数n×N。
其中,max_α可以表示点云数据中的各个点云点的每一坐标值的最大值,min_β可以表示点云数据中的各个点云点的每一坐标值的最小值。
S103:基于目标量化比特位数,将点云数据中的各个点云点的坐标值量化为目标量化比特位数的定点数表示的坐标值。
本步骤中,点云数据中的各个点云点的坐标值可以包括雷达坐标系中竖直坐标轴方向上的第一坐标值z、雷达坐标系中横坐标轴方向上的横向坐标值x和雷达坐标系中纵坐标轴方向上的纵向坐标值y。
在一种可能的实施方式中,针对点云数据中各个点云点的第一坐标值,可以根据预先设定的映射关系,即
f(z)=(z-min_α)/(max_α-min_β)×(2^(n×N))+(-2^(n×N-1))
将各个点云点的第一坐标值量化为目标量化比特位数的定点数表示的第一量化坐标值,即f(z)。其中,f(z)中的z表示第一坐标值,n×N表示目标量化比特位数,max_α和min_β表示第一坐标值的最大值和最小值。
示例性的,针对雷达坐标系中竖直坐标轴方向,雷达的一种检测范围可以为高16米;如果按照4比特位数进行量化处理,可以表示2^4=16种数值,即定点数的取值范围为-8~8。在预设的量化精度P为厘米级的情况下,可以令P=0.01~0.09,在N取整的条件下,根据P=(max_α-min_β)/(2^(n×N))得到目标量化比特位数为8,记为4×2,可以表示2^(4×2)=256种数值,即取值范围为-128~127。针对点云数据中各个点云点的第一坐标值z,其检测范围为-8~8,在16米检测范围的跨度中,用256种数值来表示,其精度可以表示为16/256=0.0625,满足厘米级的精度要求。比如,在z=2的情况下,根据预先设定的映射关系,可以量化得到第一量化坐标值f(2),即f(2)=(2-(-8))/(8-(-8))×(2^(4×2))+(-2^(4×2-1))=32,可以得到表示浮点数z=2的8比特位数的定点数32。
S104:将量化后的坐标值进行分组,得到N组数据,并基于N组数据,确定点云数据的检测结果。
延续上例,对量化后的坐标值,即第一量化坐标值进行分组,可以将f(2)=32用两个4比特位数来表示,即k1:0010和k2:0000。这里,k1在前,k2在后,能够组成8比特位数的定点数00100000。将k1和k2分别输入到低比特模型中,得到低比特模型输出的点云数据的检测结果,即检测框。
在一种可能的实施方式中,针对点云数据中各个点云点的第二坐标值可以通过以下实施方式进行量化处理。这里,一个点云点的第二坐标值为该点云点的横向坐标值或者该点云点的纵向坐标值。
参见图3所示,其为对点云数据中的点云点的第二坐标值进行量化的流程图,可以包括步骤S301~步骤S306,其中:
S301:将雷达的检测范围,分割为多个第一子区域。
本步骤中,分割方式可以按照量化精度,自定义第一子区域的大小,在此不进行具体限定。
具体实施时,基于雷达采集得到的点云数据对应的检测范围(min_x,min_y,min_z)~(max_x,max_y,max_z),将该检测范围均匀划分为若干个方格单元,进而可以确定L×W×H个方格单元,其中,每个方格单元的大小为((max_x-min_x)/L,(max_y-min_y)/W,(max_z-min_z)/H)。
S302:针对点云数据中的每个点云点,基于点云点的第二坐标值,将该点云点所处的第一子区域确定为第一目标子区域,以及确定该点云点相对于第一目标子区域中的第一预设点的第一偏移坐标。
本步骤中,第一预设点可以为第一目标子区域中的任意位置点,通常可以选取第一目标子区域的中心点,此时,第一偏移坐标为该点云点到第一目标子区域的中心点的相对坐标。
具体实施时,针对点云数据中的每个点云点,基于该点云点的第二坐标值和第一坐标值,确定出该点云点的坐标值(x,y,z),进而确定该点云点所处的第一子区域为第(X,Y,Z)个区域,将第(X,Y,Z)个区域确定为该点云点所处的第一目标子区域,其中,X=(x-min_x)/((max_x-min_x)/L),Y=(y-min_y)/((max_y-min_y)/W),Z=(z-min_z)/((max_z-min_z)/H)。在点云数据中的点云点所处的第一目标子区域(X,Y,Z)已知,以及该点云点在雷达坐标系中的坐标值(x,y,z)已知的情况下,可以确定出该点云点到第一目标子区域的中心点的相对坐标,即第一偏移坐标,记为(dx,dy,dz)。
S303:基于目标量化比特位数,将第一偏移坐标量化为目标量化比特位数的定点数表示的第二量化坐标值。
一种实施方式为,基于目标量化比特位数,将第一偏移坐标量化为目标量化比特位数的定点数表示的第二量化坐标值。具体实施时,针对第一偏移坐标中的dx和dy,分别进行量化处理,具体处理过程的描述可以参见上述步骤S103的说明,这里不再赘述。
另一种实施方式为,基于初始量化比特位数,将第一偏移坐标量化为初始量化比特位数的定点数表示的第二量化坐标值。具体实施时,针对第一偏移坐标中的dx和dy,分别进行量化处理,可以根据预先设定的映射关系,即
S304:确定第一目标子区域在多个第一子区域中的第一位置顺序标识。
本步骤中,第一位置顺序标识为在多个第一子区域中的第一目标子区域所处的位置标识。比如,点云数据中的点云点的坐标值为(x,y,z),其所在的第一目标子区域的第一位置顺序标识为(X,Y,Z)。
S305:将第一位置顺序标识量化为第三量化坐标值。
具体实施时,可以根据预先设定的映射关系,即f(υ)=υ,分别将X、Y和Z量化为第三量化坐标值,即f(υ)。其中,f(υ)中的υ可以表示X、Y和Z中的任意一个变量。
S306:将第一量化坐标值、第二量化坐标值和第三量化坐标值,作为该点云点量化后的坐标值。
具体实施时,将z量化后的第一量化坐标值、dx量化后的第二量化坐标值、dy量化后的第二量化坐标值和第一位置顺序标识(X,Y,Z)量化后的第三量化坐标值作为该点云点量化后的坐标值。
示例性的,针对雷达坐标系中横向坐标轴方向,雷达的一种检测范围可以为前后左右各250m;如果按照2比特位数进行量化处理,可以表示2^2=4种数值,即定点数的取值范围为-2~2。在预设的量化精度P为厘米级的情况下,可以令P=0.01~0.09,在N取整的条件下,根据P=(max_α-min_β)/(2^(n×N))得到目标量化比特位数为14,记为2×7,可以表示2^(2×7)=16384种数值,即取值范围为-8192~8191。针对点云数据中各个点云点的横向坐标值,其检测范围为-250~250,在500米检测范围的跨度中,用16384种数值来表示,其精度可以表示为500/16384=0.0305,满足厘米级的精度要求。基于上述步骤S302中得到的第一偏移坐标(dx,dy,dz),以及目标量化比特位数14,比如,在dx=0的情况下,根据预先设定的映射关系,可以量化得到第二量化坐标值f(0),即f(0)=(0-(-250))/(250-(-250))×(2^(2×7))+(-2^(2×7-1))=0,可以得到表示横向坐标值dx=0的14比特为的定点数0。之后,再基于上述步骤S305中得到的第一位置顺序标识(X,Y,Z),比如,在X=0的情况下,根据预先设定的映射关系,可以量化得到第三量化坐标值f(0),即f(0)=0,可以得到表示第一位置顺序标识X=0的14比特位数的定点数0。基于此,针对Y和Z的量化过程,可以参见上述X的量化过程,重复部分在此不再赘述。
在一种可能的实施方式中,针对点云数据中的每个点云点,基于雷达的检测范围和初始量化比特位数,将该点云点的反射率量化为初始量化比特位数的定点数。具体实施时,点云数据中的每个点云点的反射率i,可以根据预先设定的映射关系,即f(i)=(i-min_β)/(max_α-min_β)×(2^n)+(-2^(n-1)),将i量化为初始量化比特位数的定点数。其中,max_α可以表示点云数据中的各个点云点的反射率的最大值,min_β可以表示点云数据中的各个点云点的反射率的最小值。
示例性的,雷达的一种检测范围中,反射率i的取值范围可以为0~1,如果按照1比特位数进行量化处理,可以表示2^1=2种数值,记0和1两种数值,其定点数的取值范围为-1~1,比如,在i=1的情况下,根据预先设定的映射关系,可以量化得到初始量化比特位数的定点数f(1),即f(1)=(1-0)/(1-0)×(2^1)+(-2^(1-1))=1,可以得到表示反射率i=1的1比特位数的定点数1。
基于上述步骤S104,还可以对检测结果进行反量化处理,在一些实施例中,检测结果包括N组定点数;每组定点数的数据位数等于初始量化比特位数;在得到检测结果之后,可以将N组定点数进行拼接,得到第一目标数据;将第一目标数据反量化为浮点数。
这里,检测结果可以包括至少一个检测框,其中,可以用8维向量来表示检测框的大小、位置和置信度的信息,比如,可以用8维向量(qx,qy,qz,qhteta,ql,qw,qh,qscore)表示检测框,其中,(qx,qy,qz)表示检测框的中心点坐标值,ql,qw,qh分别表示检测框的长度值、宽度值和高度值,qtheta表示检测框长边与雷达坐标系横坐标轴正方向夹角的弧度值,qscore表示检测框的置信度。
其中,中心点坐标值包括检测框的中心点在雷达坐标系中横向坐标轴上的坐标值qx、中心点在雷达坐标系中纵向坐标轴上的坐标值qy、以及中心点在竖直坐标轴上的坐标值qz。
检测框的中心点坐标值对应的检测范围与点云数据中的点云点对应的检测范围相同,即(min_qx,min_qy,min_qz)~(max_qx,max_qy,max_qz)。其中,中心点坐标值为(qx,qy,qz),min_qx和max_qx分别表示坐标值qx的最小值和最大值,min_qy和max_qy分别表示坐标值qy的最小值和最大值,min_qz和max_qz分别表示坐标值qz的最小值和最大值。
具体地,参见图4所示,其为对检测框的中心点坐标值进行量化的流程图,可以包括步骤S401~步骤S407,其中:
S401:将雷达的检测范围,分割为多个第二子区域。
本步骤可以基于步骤S301的具体分割方式,在此不进行赘述。
S402:从多个第二子区域中,将检测框的中心点所在的第二子区域确定为第二目标子区域,以及确定检测框的中心点相对于第二目标子区域中的第二预设点的第二偏移坐标。
这里,点云数据的检测结果包括检测框的中心点坐标值;中心点坐标值包括N组定点数。
本步骤中,第二预设点可以为第二目标子区域中的任意位置点,通常可以选取第二目标子区域的中心点,此时,第二偏移坐标可以是检测框的中心点到第二目标子区域的中心点的相对坐标。
具体实施时,第二目标子区域的确定,以及第二偏移坐标的确定,可以参照步骤S302中第一目标子区域和第一偏移坐标的确定过程的具体描述,这里不再赘述。
S403:将第二偏移坐标对应的N组定点数进行拼接,得到第二目标数据。
本步骤中,第二偏移坐标(dx',dy',dz')中的dx'、dy'和dz'分别对应N组定点数,将每一组定点数进行拼接,比如,将dx'对应的两组4比特位数的定点数0010和0000进行拼接,能够得到第二目标数据,即8比特位数的定点数00100000。
S404:将第二目标数据反量化为浮点数。
一种实施方式为,基于初始量化比特位数,将第二偏移坐标反量化为浮点数。具体实施时,分别针对dx'、dy'和dz'拼接后的N组定点数,即第二目标数据进行反量化处理,这里,可以根据预先设定的映射关系,即
另一种实施方式为,基于目标量化比特位数,将第二偏移坐标反量化为浮点数。具体实施时,分别针对dx'、dy'和dz'拼接后的N组定点数,即第二目标数据进行反量化处理,这里,可以根据预先设定的映射关系,即
S405:确定第二目标子区域在多个第二子区域中的第二位置顺序标识。
本步骤中,第二位置顺序标识可以记为(qX,qY,qZ)。第二位置顺序标识的确定,可以参照步骤S304中第一位置顺序标识的确定过程的具体描述,这里不再赘述。
S406:将第二位置顺序标识反量化为浮点数。
具体实施时,可以根据预先设定的映射关系,即f(υ')=υ',将qX、qY和qZ反量化为浮点数,f(υ')中的υ'可以表示qX、qY和qZ中的任意一个变量。
S407:将第二目标数据和第二位置顺序标识反量化得到的浮点数,作为检测框的中心点坐标值。
具体实施时,将dx'反量化后的浮点数、dy'反量化后的浮点数、dz'反量化后的浮点数和第二位置顺序标识(qX,qY,qZ)反量化后的浮点数作为检测框的中心点坐标值。
在一种可能的实施方式中,点云数据的检测结果中包括检测框的置信度。这里,置信度为定点数。由于检测框的置信度在应用过程中,只参考相对大小,不参考具体数值,因此,将置信度反量化为浮点数,可以根据预先设定的映射关系,即恒等映射score=qscore,将qscore反量化为score。
在一种可能的实施方式中,点云数据的检测结果中包括检测框的尺寸数据,这里,尺寸数据包括以下至少一项:检测框的长度值ql;检测框的宽度值qw;检测框的高度值qh;检测框的长边与雷达坐标系中横坐标轴正方向之间的夹角的弧度值qtheta。
对尺寸数据进行反量化处理,可以基于初始量化比特位数和检测框对应的目标对象的尺寸信息,确定反量化比例;基于反量化比例,将检测框的尺寸数据反量化为浮点数。具体实施时,可以根据预测的目标对象的尺寸信息,即长度值l'、宽度值w'、高度值h'、弧度值qtheta',确定检测框的每一尺寸数据进行反量化时的反量化比例Q,其中,反量化比例Q可以自定义为目标对象的任意尺寸数据与初始量化比特位数所能表示的多种数值的比值,记
Q=l'/(2^n)=w'/(2^n)=h'/(2^n)=qtheta'/(2^n)
基于反量化比例Q,可以根据预先设定的映射关系,即f(qη)=Q×qη,将检测框的尺寸数据反量化为浮点数f(qη),其中,f(qη)中的qη可以表示检测框的任意一个尺寸数据。
以下分别介绍将检测框的长度值ql、宽度值qw、高度值qh和弧度值qtheta反量化为浮点数的实施方式:
对检测框的长度值进行反量化处理,可以基于Q=l'/(2^n),确定反量化后的浮点数为f(ql)=l'/(2^n)×ql。
对检测框的宽度值进行反量化处理,可以基于Q=w'/(2^n),确定反量化后的浮点数为f(qw)=w'/(2^n)×qw。
对检测框的高度值进行反量化处理,可以基于Q=h'/(2^n),确定反量化后的浮点数为f(qh)=h'/(2^n)×qh。
对检测框的弧度值进行反量化处理,可以基于Q=qtheta'/(2^n),确定反量化后的浮点数为f(qtheta)=qtheta'/(2^n)×qtheta。
示例性的,选取目标对象为轿车,自定义预测轿车的长度值最长为6米,如果按照8比特位数进行量化处理,输出8bit的整数,可以表示最多256种数值,因此可以自定义反量化比例Q=6/256,针对检测框的长度值ql,利用预先设定的映射关系,即f(ql)=6/256×ql,确定长度值ql反量化后的浮点数f(ql)。这里,反量化的精度为6/256。
通过上述步骤S101~步骤S103,初始量化比特位数为对点云数据进行检测的低比特模型所能处理的数据的比特位数,将点云点的坐标值量化为比特位数为初始量化比特位数的N倍的定点数,这样,由于量化比特位数的提高,有效提高了点云点坐标值的量化精度;进一步地,由于上述低比特模型只能处理初始量化比特位数的数据,因此在得到量化后的坐标值(该坐标值包括比特位数为初始量化比特位数的N倍的定点数),需要将该坐标值分割为N组,每组数据均包括初始量化比特位数的定点数,这样上述低比特模型不仅能够对分割后的每组数据进行处理,并且由于量化精度的提高,低比特模型检测得到的检测结果的精度也得到了有效提升。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思,本公开实施例中还提供了与点云数据处理方法对应的点云数据处理装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述点云数据处理方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图5所示,为本公开实施例提供的一种点云数据处理装置的示意图,所述装置包括:获取模块501、第一确定模块502、第一量化模块503和第二确定模块504;其中:
获取模块501,用于获取雷达采集的点云数据、预设的量化精度以及初始量化比特位数;
第一确定模块502,用于基于所述量化精度和所述初始量化比特位数,确定目标量化比特位数;所述目标量化比特位数为所述初始量化比特位数的N倍,N为正整数;
第一量化模块503,用于基于所述目标量化比特位数,将所述点云数据中的各个点云点的坐标值量化为所述目标量化比特位数的定点数表示的坐标值;
第二确定模块504,用于将量化后的坐标值进行分组,得到N组数据,并基于所述N组数据,确定所述点云数据的检测结果。
一种可选的实施方式中,所述第一确定模块502,用于获取所述雷达的检测范围;基于所述量化精度、所述初始量化比特位数和所述检测范围,确定目标量化比特位数。
一种可选的实施方式中,每个点云点的坐标值包括该点云点在雷达坐标系中竖直坐标轴方向上的第一坐标值;所述第一量化模块503,用于基于所述目标量化比特位数,将所述第一坐标值量化为所述目标量化比特位数的定点数表示的第一量化坐标值。
一种可选的实施方式中,每个点云点的坐标值包括该点云点在雷达坐标系中横坐标轴方向上的横向坐标值和该点云点在雷达坐标系中纵坐标轴方向上的纵向坐标值;所述横坐标轴和所述纵坐标轴形成的平面与水平面平行,且相互垂直;所述第一量化模块502,用于将所述雷达的检测范围,分割为多个第一子区域;针对点云数据中的每个点云点,基于所述点云点的第二坐标值,将该点云点所处的第一子区域确定为第一目标子区域,以及确定该点云点相对于所述第一目标子区域中的第一预设点的第一偏移坐标;一个点云点的第二坐标值为该点云点的横向坐标值或者该点云点的纵向坐标值;基于所述目标量化比特位数,将所述第一偏移坐标量化为所述目标量化比特位数的定点数表示的第二量化坐标值;基于所述第一量化坐标值、所述第二量化坐标值和所述第一目标子区域的位置信息,确定该点云点量化后的坐标值。
一种可选的实施方式中,所述第一量化模块502,用于确定所述第一目标子区域在所述多个第一子区域中的第一位置顺序标识;将所述第一位置顺序标识量化为第三量化坐标值;将所述第一量化坐标值、所述第二量化坐标值和所述第三量化坐标值,作为该点云点量化后的坐标值。
一种可选的实施方式中,所述点云数据处理装置还包括第二量化模块505,用于针对所述点云数据中的每个点云点,基于所述雷达的检测范围和所述初始量化比特位数,将该点云点的反射率量化为所述初始量化比特位数的定点数。
一种可选的实施方式中,所述检测结果包括N组定点数;每组定点数的数据位数等于所述初始量化比特位数;所述点云数据处理装置还包括第一反量化模块506,用于在得到所述检测结果之后,将所述N组定点数进行拼接,得到第一目标数据;将所述第一目标数据反量化为浮点数。
一种可选的实施方式中,所述点云数据的检测结果包括检测框的中心点坐标值;所述中心点坐标值包括N组定点数;每组定点数的数据位数等于所述初始量化比特位数;所述第一反量化模块506,还用于将所述雷达的检测范围,分割为多个第二子区域;从所述多个第二子区域中,将所述检测框的中心点所在的第二子区域确定为第二目标子区域,以及确定所述检测框的中心点相对于所述第二目标子区域中的第二预设点的第二偏移坐标;将所述第二偏移坐标对应的N组定点数进行拼接,得到第二目标数据;将所述第二目标数据反量化为浮点数。
一种可选的实施方式中,所述第一反量化模块506,还用于在确定了所述第二目标子区域之后,确定所述第二目标子区域在所述多个第二子区域中的第二位置顺序标识;将所述第二位置顺序标识反量化为浮点数;将所述第二目标数据和所述第二位置顺序标识反量化得到的浮点数,作为所述检测框的中心点坐标值。
一种可选的实施方式中,所述点云数据的检测结果包括检测框的置信度;所述置信度为定点数;所述点云数据处理装置还包括第二反量化模块507,用于将所述置信度反量化为浮点数。
一种可选的实施方式中,所述点云数据的检测结果包括检测框的尺寸数据;所述点云数据处理装置还包括第三反量化模块508,用于基于所述初始量化比特位数和所述检测框对应的目标对象的尺寸信息,确定反量化比例;基于所述反量化比例,将所述检测框的尺寸数据反量化为浮点数。
一种可选的实施方式中,所述尺寸数据包括以下至少一项:
所述检测框的长度值;所述检测框的宽度值;所述检测框的高度值;所述检测框的长边与雷达坐标系中横坐标轴正方向之间的夹角的弧度值。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
基于同一技术构思,本申请实施例还提供了一种计算机设备。参照图6所示,为本申请实施例提供的计算机设备的结构示意图,包括:
处理器61、存储器62和总线63。其中,存储器62存储有处理器61可执行的机器可读指令,处理器61用于执行存储器62中存储的机器可读指令,所述机器可读指令被处理器61执行时,处理器61执行下述步骤:S101:获取雷达采集的点云数据、预设的量化精度以及初始量化比特位数;S102:基于量化精度和初始量化比特位数,确定目标量化比特位数;S103:基于目标量化比特位数,将点云数据中的各个点云点的坐标值量化为目标量化比特位数的定点数表示的坐标值;S104:将量化后的坐标值进行分组,得到N组数据,并基于N组数据,确定点云数据的检测结果。
上述存储器62包括内存621和外部存储器622;这里的内存621也称内存储器,用于暂时存放处理器61中的运算数据,以及与硬盘等外部存储器622交换的数据,处理器61通过内存621与外部存储器622进行数据交换,当计算机设备运行时,处理器61与存储器62之间通过总线63通信,使得处理器61在执行上述方法实施例中所提及的执行指令。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的点云数据处理方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例所还提供一种计算机程序产品,该计算机程序产品承载有程序代码,所述程序代码包括的指令可用于执行上述方法实施例中所述的点云数据处理方法的步骤,具体可参见上述方法实施例,在此不再赘述。
其中,上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应所述以权利要求的保护范围为准。
Claims (15)
1.一种点云数据处理方法,其特征在于,包括:
获取雷达采集的点云数据、预设的量化精度以及初始量化比特位数;
基于所述量化精度和所述初始量化比特位数,确定目标量化比特位数;所述目标量化比特位数为所述初始量化比特位数的N倍,N为正整数;
基于所述目标量化比特位数,将所述点云数据中的各个点云点的坐标值量化为所述目标量化比特位数的定点数表示的坐标值;
将量化后的坐标值进行分组,得到N组数据,并基于所述N组数据,确定所述点云数据的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述量化精度和所述初始量化比特位数,确定目标量化比特位数,包括:
获取所述雷达的检测范围;
基于所述量化精度、所述初始量化比特位数和所述检测范围,确定目标量化比特位数。
3.根据权利要求1所述的方法,其特征在于,每个点云点的坐标值包括该点云点在雷达坐标系中竖直坐标轴方向上的第一坐标值;
所述基于所述目标量化比特位数,将所述点云数据中的各个点云点的坐标值量化为所述目标量化比特位数的定点数表示的坐标值,包括:
基于所述目标量化比特位数,将所述第一坐标值量化为所述目标量化比特位数的定点数表示的第一量化坐标值。
4.根据权利要求3所述的方法,其特征在于,每个点云点的坐标值包括该点云点在雷达坐标系中横坐标轴方向上的横向坐标值和该点云点在雷达坐标系中纵坐标轴方向上的纵向坐标值;所述横坐标轴和所述纵坐标轴形成的平面与水平面平行,且相互垂直;
所述基于所述目标量化比特位数,将所述点云数据中的各个点云点的坐标值量化为所述目标量化比特位数的定点数表示的坐标值,包括:
将所述雷达的检测范围,分割为多个第一子区域;
针对点云数据中的每个点云点,基于所述点云点的第二坐标值,将该点云点所处的第一子区域确定为第一目标子区域,以及确定该点云点相对于所述第一目标子区域中的第一预设点的第一偏移坐标;一个点云点的第二坐标值为该点云点的横向坐标值或者该点云点的纵向坐标值;
基于所述目标量化比特位数,将所述第一偏移坐标量化为所述目标量化比特位数的定点数表示的第二量化坐标值;
基于所述第一量化坐标值、所述第二量化坐标值和所述第一目标子区域的位置信息,确定该点云点量化后的坐标值。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第一量化坐标值、所述第二量化坐标值和所述第一目标子区域的位置信息,确定该点云点量化后的坐标值,包括:
确定所述第一目标子区域在所述多个第一子区域中的第一位置顺序标识;
将所述第一位置顺序标识量化为第三量化坐标值;
将所述第一量化坐标值、所述第二量化坐标值和所述第三量化坐标值,作为该点云点量化后的坐标值。
6.根据权利要求1至5任一项所述的方法,其特征在于,还包括:
针对所述点云数据中的每个点云点,基于所述雷达的检测范围和所述初始量化比特位数,将该点云点的反射率量化为所述初始量化比特位数的定点数。
7.根据权利要求1所述的方法,其特征在于,所述检测结果包括N组定点数;每组定点数的数据位数等于所述初始量化比特位数;
在得到所述检测结果之后,还包括:
将所述N组定点数进行拼接,得到第一目标数据;
将所述第一目标数据反量化为浮点数。
8.根据权利要求1至6任一项所述的方法,其特征在于,所述点云数据的检测结果包括检测框的中心点坐标值;所述中心点坐标值包括N组定点数;每组定点数的数据位数等于所述初始量化比特位数;
在得到所述检测结果之后,还包括:
将所述雷达的检测范围,分割为多个第二子区域;
从所述多个第二子区域中,将所述检测框的中心点所在的第二子区域确定为第二目标子区域,以及确定所述检测框的中心点相对于所述第二目标子区域中的第二预设点的第二偏移坐标;
将所述第二偏移坐标对应的N组定点数进行拼接,得到第二目标数据;
将所述第二目标数据反量化为浮点数。
9.根据权利要求8所述的方法,其特征在于,在确定了所述第二目标子区域之后,还包括:
确定所述第二目标子区域在所述多个第二子区域中的第二位置顺序标识;
将所述第二位置顺序标识反量化为浮点数;
将所述第二目标数据和所述第二位置顺序标识反量化得到的浮点数,作为所述检测框的中心点坐标值。
10.根据权利要求1所述的方法,其特征在于,所述点云数据的检测结果包括检测框的置信度;所述置信度为定点数;
所述方法还包括:
将所述置信度反量化为浮点数。
11.根据权利要求1所述的方法,其特征在于,所述点云数据的检测结果包括检测框的尺寸数据;
所述方法还包括:
基于所述初始量化比特位数和所述检测框对应的目标对象的尺寸信息,确定反量化比例;
基于所述反量化比例,将所述检测框的尺寸数据反量化为浮点数。
12.根据权利要求11所述的方法,其特征在于,所述尺寸数据包括以下至少一项:
所述检测框的长度值;所述检测框的宽度值;所述检测框的高度值;所述检测框的长边与雷达坐标系中横坐标轴正方向之间的夹角的弧度值。
13.一种点云数据处理装置,其特征在于,包括:
获取模块,用于获取雷达采集的点云数据、预设的量化精度以及初始量化比特位数;
第一确定模块,用于基于所述量化精度和所述初始量化比特位数,确定目标量化比特位数;所述目标量化比特位数为所述初始量化比特位数的N倍,N为正整数;
第一量化模块,用于基于所述目标量化比特位数,将所述点云数据中的各个点云点的坐标值量化为所述目标量化比特位数的定点数表示的坐标值;
第二确定模块,用于将量化后的坐标值进行分组,得到N组数据,并基于所述N组数据,确定所述点云数据的检测结果。
14.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至12任一项所述的点云数据处理方法的步骤。
15.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至12任一项所述的点云数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110349370.6A CN112991549A (zh) | 2021-03-31 | 2021-03-31 | 一种点云数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110349370.6A CN112991549A (zh) | 2021-03-31 | 2021-03-31 | 一种点云数据处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991549A true CN112991549A (zh) | 2021-06-18 |
Family
ID=76338700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110349370.6A Pending CN112991549A (zh) | 2021-03-31 | 2021-03-31 | 一种点云数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991549A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1432969A (zh) * | 2001-11-27 | 2003-07-30 | 三星电子株式会社 | 基于深度图像表示三维物体的装置和方法 |
CN102306180A (zh) * | 2011-08-29 | 2012-01-04 | 北京建筑工程学院 | 一种基于海量激光雷达栅格点云数据的建模方法 |
CN110677652A (zh) * | 2019-09-26 | 2020-01-10 | 叠境数字科技(上海)有限公司 | 一种基于体素卷积的点云几何有损压缩方法 |
CN110999292A (zh) * | 2017-07-28 | 2020-04-10 | 松下电器(美国)知识产权公司 | 编码装置、解码装置、编码方法及解码方法 |
CN112514397A (zh) * | 2020-03-31 | 2021-03-16 | 深圳市大疆创新科技有限公司 | 点云的编解码方法和装置 |
CN112578356A (zh) * | 2020-12-25 | 2021-03-30 | 上海商汤临港智能科技有限公司 | 一种外参标定方法、装置、计算机设备及存储介质 |
-
2021
- 2021-03-31 CN CN202110349370.6A patent/CN112991549A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1432969A (zh) * | 2001-11-27 | 2003-07-30 | 三星电子株式会社 | 基于深度图像表示三维物体的装置和方法 |
CN102306180A (zh) * | 2011-08-29 | 2012-01-04 | 北京建筑工程学院 | 一种基于海量激光雷达栅格点云数据的建模方法 |
CN110999292A (zh) * | 2017-07-28 | 2020-04-10 | 松下电器(美国)知识产权公司 | 编码装置、解码装置、编码方法及解码方法 |
CN110677652A (zh) * | 2019-09-26 | 2020-01-10 | 叠境数字科技(上海)有限公司 | 一种基于体素卷积的点云几何有损压缩方法 |
CN112514397A (zh) * | 2020-03-31 | 2021-03-16 | 深圳市大疆创新科技有限公司 | 点云的编解码方法和装置 |
CN112578356A (zh) * | 2020-12-25 | 2021-03-30 | 上海商汤临港智能科技有限公司 | 一种外参标定方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610237A (zh) | 模型的量化训练方法、装置及存储介质 | |
CN102246165A (zh) | 利用压缩梯度直方图来代表和标识特征描述符的方法和装置 | |
CN116188805B (zh) | 海量图像的图像内容分析方法、装置和图像信息网络 | |
CN108596328B (zh) | 一种定点化方法及装置、计算机设备 | |
CN109284761B (zh) | 一种图像特征提取方法、装置、设备及可读存储介质 | |
CN110278719B (zh) | 编码方法、解码方法和装置 | |
CN110020616B (zh) | 一种目标识别方法及设备 | |
CN111240746B (zh) | 一种浮点数据反量化及量化的方法和设备 | |
CN114186632A (zh) | 关键点检测模型的训练方法、装置、设备、存储介质 | |
CN111178514A (zh) | 神经网络的量化方法及系统 | |
CN112488297B (zh) | 一种神经网络剪枝方法、模型生成方法及装置 | |
CN111444363A (zh) | 一种图片检索方法、装置、终端设备及存储介质 | |
CN110689045A (zh) | 一种深度学习模型的分布式训练方法及装置 | |
CN111383157B (zh) | 图像处理方法、装置、车载运算平台、电子设备及系统 | |
CN112037174B (zh) | 染色体异常检测方法、装置、设备及计算机可读存储介质 | |
CN112991549A (zh) | 一种点云数据处理方法、装置、计算机设备和存储介质 | |
CN113780523A (zh) | 图像处理方法、装置、终端设备及存储介质 | |
CN110211227B (zh) | 一种三维场景数据处理方法、装置及终端设备 | |
CN112785650A (zh) | 一种相机参数标定方法及装置 | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN115526310A (zh) | 一种网络模型的量化方法、装置及设备 | |
CN114881227A (zh) | 模型压缩方法、图像处理方法、装置和电子设备 | |
CN113850374A (zh) | 神经网络模型的量化方法、电子设备及介质 | |
CN113051406A (zh) | 一种人物属性预测方法、装置、服务器及可读存储介质 | |
CN114282026A (zh) | 一种图像数据的存储方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |