CN113095112A - 点云数据的获取方法及装置 - Google Patents

Abstract

本发明提供了一种点云数据的获取方法及装置，通过获取道路图像数据，从道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点，根据采集道路图像时采集的激光点云，获取目标像素点对应的激光点簇，基于目标像素点对应的激光点簇，从激光点云中，获取位于激光点簇周边预设范围内的激光点，通过激光点、激光点簇和道路标志牌的形状类型，识别出属于道路标志牌的激光点，解决了现有技术无法从道路图像的点云数据中快速识别出属于道路标志牌的点云数据的问题，避免道路上其他因素的干扰，提高了识别的效率和准确度，为道路标志牌的制作提供了重要的基础数据。

Description

点云数据的获取方法及装置

技术领域

本发明涉及高精地图领域，更具体地说，涉及一种点云数据的获取方法及装置。

背景技术

电子地图已经深度融入人们的生活，其功能也是日趋完善。目前，人们对电子地图的使用需求已经超出了传统的位置定位、路线指引等功能的范围。尤其是随着无人驾驶技术的兴起，作为无人驾驶的数据基础，高精度地图技术的发展对无人驾驶技术起着关键的作用。无人驾驶汽车缺乏人类驾驶员固有的视觉和逻辑能力，而高精度地图是依托道路网的精确三维表征，而且包含大量的可以用于驾驶辅助的信息，例如交叉路口布局和路标位置等，这些信息是无人驾驶中对路况判断的基础。

目前，高精地图的一种重要元素是道路标志牌，由于高精地图中表达道路标志牌不仅需要表达道路标志牌上的内容，还需要表达道路标志牌的空间位置，而要获得道路标志牌的空间位置需要依赖点云数据进行制作，现有技术一般通过人工在点云数据中寻找属于道路标志牌的点云数据，这种方法存在效率低的问题，因此，如何快速找到点云数据中属于道路标志牌的点云数据是需要解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种点云数据的获取方法及装置，用于解决现有技术无法从道路的点云数据中快速识别出属于道路标志牌的点云数据的问题，通过图像和点云匹配识别的方式，快速的获取属于道路标志牌的点云数据，避免道路上其他因素的干扰，提高了识别的效率和准确度。

为了解决上述技术问题，现提出的方案如下：

一种点云数据的获取方法，包括：

获取道路图像数据，所述道路图像数据包括道路图像中的道路标志牌覆盖的图像像素范围及所述道路标志牌的形状类型；

从所述道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点；

根据采集所述道路图像时采集的激光点云，获取所述目标像素点对应的激光点簇；

基于所述目标像素点对应的激光点簇，从所述激光点云中，获取位于所述激光点簇周边预设范围内的激光点；

通过所述激光点、激光点簇和道路标志牌的形状类型，识别出属于所述道路标志牌的激光点。

优选的，获取道路图像数据，具体包括：

获取采集车的摄像装置采集的道路图像，对所述道路图像通过预先建立的快速卷积神经网络训练模型进行学习，得到所述道路图像中的道路标志牌覆盖的图像像素范围及所述道路标志牌的形状类型。

优选的，从所述道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点，具体包括：

选择位于所述道路标志牌覆盖的图像像素范围的几何中心的中心像素点作为目标像素点。

优选的，根据采集所述道路图像时采集的激光点云，获取所述目标像素点对应的激光点簇，具体包括：

获取生成所述激光点云的激光的投影矩阵和姿态信息；

获取所述采集车的摄像装置的内外参数矩阵；

利用所述投影矩阵和姿态信息以及所述内外参数矩阵，建立所述激光点云与道路图像的变换矩阵；

基于所述变换矩阵，从所述激光点云中，获取所述目标像素点对应的激光点簇。

优选的，基于所述目标像素点对应的激光点簇，从所述激光点云中，获取位于所述激光点簇周边预设范围内的激光点，具体包括：

以所述目标像素点对应的激光点簇为参考点，从所述激光点云中通过聚类，得到位于所述激光点簇周边预设范围内的激光点。

一种点云数据的获取装置，包括：

图像处理单元，用于获取道路图像数据，所述道路图像数据包括道路图像中的道路标志牌覆盖的图像像素范围及所述道路标志牌的形状类型，从所述道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点；

点云处理单元，用于根据采集所述道路图像时采集的激光点云，获取所述目标像素点对应的激光点簇，基于所述目标像素点对应的激光点簇，从所述激光点云中，获取位于所述激光点簇周边预设范围内的激光点；

点云获取单元，用于通过所述激光点、激光点簇和道路标志牌的形状类型，识别出属于所述道路标志牌的激光点。

优选的，所述图像处理单元获取道路图像数据，具体包括：

获取采集车的摄像装置采集的道路图像，对所述道路图像通过预先建立的快速卷积神经网络训练模型进行学习，得到所述道路图像中的道路标志牌覆盖的图像像素范围及所述道路标志牌的形状类型。

优选的，所述图像处理单元从所述道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点，具体包括：

选择位于所述道路标志牌覆盖的图像像素范围的几何中心的中心像素点作为目标像素点

优选的，所述点云处理单元根据采集所述道路图像时采集的激光点云，获取所述目标像素点对应的激光点簇，具体包括：

获取生成所述激光点云的激光的投影矩阵和姿态信息；

获取所述采集车的摄像装置的内外参数矩阵；

利用所述投影矩阵和姿态信息以及所述内外参数矩阵，建立所述激光点云与道路图像的变换矩阵；

基于所述变换矩阵，从所述激光点云中，获取所述目标像素点对应的激光点簇。

优选的，所述点云处理单元基于所述目标像素点对应的激光点簇，从所述激光点云中，获取位于所述激光点簇周边预设范围内的激光点，具体包括：

以所述目标像素点对应的激光点簇为参考点，从所述激光点云中通过聚类，得到位于所述激光点簇周边预设范围内的激光点。

一种点云数据的获取装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现点云数据的获取方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，，所述计算机程序被处理器执行时实现点云数据的获取方法的步骤。

从上述的技术方案可以看出，本申请实施例提供的点云数据的获取方法，通过获取道路图像数据，从道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点，根据采集道路图像时采集的激光点云，获取目标像素点对应的激光点簇，基于目标像素点对应的激光点簇，从激光点云中，获取位于激光点簇周边预设范围内的激光点，通过激光点、激光点簇和道路标志牌的形状类型，识别出属于道路标志牌的激光点，解决了现有技术无法从道路的点云数据中快速识别出属于道路标志牌的点云数据的问题，从而有效的避免道路上其他因素的干扰，提高了识别的效率和准确度，为道路标志牌的制作提供了重要的基础数据。

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，还可以根据提供的附图获得其他的附图。

图1是本发明的点云数据的获取方法的流程图。

图2是本发明的点云数据的获取方法中摄像头的投影矩阵的示意图。

图3是本发明的点云数据的获取方法中摄像头的投影矩阵与激光点云矩阵的映射示意图。

图4是本发明的点云数据的获取方法中基于几何形状类型识别的示意图。

图5是本发明的点云数据的获取装置的结构示意图之一。

图6是本发明的点云数据的获取装置的结构示意图之二。

图7是本发明的点云数据的获取系统的结构示意图。

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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的点云数据的获取方法适用于电子地图领域，尤其是涉及无人驾驶、高级辅助驾驶的高精度电子地图领域，用于在高精地图中道路标志等辅助信息的处理。

高精度地图，也可称为高精地图，最重要的特征是精度，高精度地图中表达的地理要素与现实世界中的地理要素之间的位置差距若在厘米级，则可认为该高精度地图的精度是厘米级。由于无人驾驶汽车缺乏人类驾驶员固有的视觉和逻辑能力，因此，精度对于确保无人驾驶汽车的安全至关重要，所以，高精度地图包含大量的驾驶辅助信息，其中最重要的是依托道路网的精确三维表征，例如交叉路口布局和路标位置。同时还包括很多语义信息，例如左转道开始位置，道路的限速指示等等。

点云，通过测量仪器得到的对象外观表面的点数据集合称之为点云，点与点距离较大的叫做稀疏点云，而高精地图中通常使用的，是使用激光雷达扫描道路面和道路周边环境对象(比如路牌、灯柱等)得到的点数量较大且比较密集的密集点云。

如图1所示，本发明提供的一种点云数据的获取方法，具体包括：

步骤101，获取道路图像数据，道路图像数据包括道路图像中的道路标志牌覆盖的图像像素范围及道路标志牌的形状类型。

采集装置获取的道路图像是制作高精地图的最原始的数据基础，通常会使用高精采集车(以下简称采集车)进行道路图像的采集。采集车上搭载了能够拍摄道路图像的摄像装置、能够获得点云阵列的激光雷达和能够获得采集车行驶轨迹的定位设备。轨迹点是车辆在道路行驶时从定位设备输出的定位点中采集的定位点，采集可以按照一定的时间周期或者按照一定的采集频率，轨迹点的坐标一般是经纬度坐标。

激光雷达根据激光测量原理得到的激光点云，其中的每个激光点通常包括时间戳和/或反射强度信息。时间戳可以是采集到点云中每个激光点的时刻，也可以是激光点的反射时长，即，激光雷达发射出激光束和收到该激光束反射回的激光点的时长。

反射强度是是激光雷达的接收装置采集到的回波强度，反射强度与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关。通过反射强度能够判断道路是否有遮挡，或者是否有相同或者近似介质的物体。例如，如果在反射强度较低的道路中出现一块反射强度较高的点云矩阵，一般认为反射强度较高的点云矩阵是一个特定的物体。

将激光雷达采集的激光点云的参数(至少包括反射强度和反射时长)与基于轨迹点的坐标结合，可以为激光点云中的每个激光点生成三维坐标，即包括经纬度坐标及高度坐标的三维坐标，例如Ri eGL工程坐标。

摄像装置，通过拍照或者录像的方式拍摄道路图像。本发明的步骤101获取的道路图像数据是对高精地图采集车采集的道路图像进行人工或者机器识别后，得到的道路图像数据，包括道路标志牌覆盖的图像像素范围及道路标志牌的形状类型。其中，因为一张/一帧道路图像中拍摄到可能不仅仅是道路标志牌，因此，本申请的道路标志牌覆盖的图像像素范围是指道路标志牌在道路图像中覆盖的像素点的范围，进一步，道路标志牌的形状类型包括圆形、四方形、菱形等形状，具体形状取决于道路图像拍摄到的道路标识牌的形状。

步骤102，从道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点。

在道路标志牌覆盖的图像像素范围内，任意选择一个像素点或者多个像素点作为目标像素点，为降低后期点云扩展的难度，本发明提供的优选方式包括：根据道路标志牌覆盖的图像像素范围的几何形状，计算其几何中心，得到道路标志牌覆盖的图像像素范围的几何形状的中心像素，作为道路图像数据中获取的道路标志牌的中心像素点，以该中心像素点作为目标像素点。

步骤103，根据采集道路图像时采集的激光点云，获取目标像素点对应的激光点簇。

根据道路图像数据中的目标像素点，在同一时刻采集的激光点云数据中找到该目标像素点对应的激光点簇。

由于摄像装置和激光雷达在采集车上安装的位置、角度不完全一致，因此摄像装置拍摄出来的道路图像数据和点云阵列的在空间上并不完全重叠，也就是说，道路图像数据中的道路标志牌和点云阵列中道路标志牌点云之间无法直接对应，需要依据摄像装置的姿态信息获取大概位置后进一步调整以获得道路标志牌点云的位置。

具体来说，获取生成激光点云的激光的投影矩阵和姿态信息，获取采集车的摄像装置的内外参数矩阵，利用投影矩阵和姿态信息以及内外参数矩阵，建立激光点云与道路图像中的变换矩阵，基于变换矩阵，从激光点云中，获取目标像素点对应的激光点簇(目标像素点对应的激光点不止一个)。

如图3所示，获取摄像装置和其所拍摄的图像的坐标位置，将摄像装置拍摄的图像量化为投影矩阵，找到投影矩阵中道路标志牌的目标像素点的位置，根据目标像素点的位置和拍摄装置的连线计算拍摄姿态和角度。

如图4所示，在激光点云阵列中模拟摄像装置的位置，或者也可以说将上述投影矩阵替换为激光点云阵列，从摄像装置的位置根据计算的拍摄姿态和角度发出一簇射线，该簇射线与点云阵列相交的点认为是道路标志牌所在的区域。

本发明使用的拍摄图像和点云阵列可以是采集车在同一道路的同一次采集过程中，同步采集的；也可以是采集车在同一道路不同的采集过程中，在基本接近的位置，以基本接近的姿态，采集的，可以将不同采集过程采集的点云数据进行融合后，再执行本发明的方案。

当使用道路图像数据中道路标志牌覆盖的像素范围的中心像素点作为目标像素点时，需要注意，由于摄像装置和激光雷达在采集车上安装的位置不尽相同，也就是说，拍摄图像的道路标志牌的中心像素映射到点云阵列中的激光点簇中的激光点并不一定均属于点云数据中道路标志牌的中心点。但是由于在采集时由于采集车尺寸的限制，以及摄像装置和激光雷达通常并不会安装的距离过远，因此，拍摄图像的道路标志牌的中心像素点映射到点云阵列中的激光点簇大概率会是点云阵列中道路标志牌所包括的激光点，因此，可以基于该激光点簇获得属于道路标志牌的激光点云。

步骤104，基于目标像素点对应的激光点簇，从激光点云中，获取位于激光点簇周边预设范围内的激光点。

如前所述，步骤103中确定的激光点簇必定属于道路标志牌的点云数据中的一部分，基于该激光点簇的位置，向外扩展一定范围，得到周边预设范围内的激光点。

可以基于几何形状类型，以目标像素点对应的该激光点簇为中心点，向外辐射预设的距离，获得预设范围内的激光点云矩阵。

具体来说，对中心像素点对应的激光点簇外扩预设的距离范围(单位厘米)，预设距离范围的选择一般是基于道路标志牌的常规尺寸以及点云阵列相对于真实物体的比例尺来选择的。外扩的方式有很多种，例如以坐标点P为几何中心，向外辐射10厘米、20厘米、50厘米、100厘米、200厘米，获取整个辐射范围的坐标范围作为标志牌的激光点云矩阵的范围。

预设范围一般会选择的相对较大，也可以改变距离参数，以满足不同的情况，在后面的步骤中会进行详细的介绍。

进一步的，对扩展后的激光点云矩阵进行聚类，去除掉激光点云矩阵中的明显噪声点。激光点聚类的方式有很多种，本发明可以使用反射强度聚类或密度聚类来实现，具体如下。

前面说过，如果在反射强度较低的道路点云矩阵中出现一块反射强度较高的点云矩阵，一般认为反射强度较高的点云矩阵是一个特定的物体。将扩展后的点云矩阵中的激光点的反射强度进行聚类，获取反射强度高于预设的阈值的激光点作为道路标志牌的点云。

如果扩展后的点云矩阵的边缘存在较多的高于预设反射强度阈值的激光点，这时可能是由于选取的预设范围不够大，或者目标像素点对应的激光点簇的位置较偏，导致目前点云阵列中包括的道路标志牌的激光点并不完整。这时需要进一步扩大预设的范围，然后重新进行点云反射强度的聚类。

聚类的方式也可是密度聚类，例如BSCAN密度聚类算法。这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，它们之间的紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在。通过将紧密相连的样本划为一类，这样就得到了一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别，则就得到了最终的所有聚类类别结果。

步骤105，通过激光点、激光点簇和道路标志牌的形状类型，识别出属于道路标志牌的激光点。

通过步骤104能够较为准确的获取道路标志牌的相关点云数据，进一步的，基于激光点簇和几何形状类型对已经获得的道路标志牌的激光点云数据的进行外部轮廓的识别和精度修正。这样做的原因是在拍摄道路标志牌的图像时，或者用激光雷达获取道路标志牌的点云阵列时，可能会受到道路标志牌旁边的物体的干扰。举个例子，如果道路标志牌旁边有一棵树，或者恰好有人站在道路标志牌旁边，这个时候，计算得到的道路标志牌的点云就会受到干扰，其外部轮廓会呈现不规则的形状。而一般情况，道路标志牌通常具有规则的形状，点云数据中出现道路标志牌不规则的形状是不合理的。

为了克服这种干扰的影响，从道路图像数据中识别出的几何形状的类型能够成为进一步对道路标识牌的点云进行修正的依据。几何形状的类型，包括常见的四方形、菱形、三角形、圆形等，如图4所示，是一个圆形轮廓的例子，外部轮廓的形状是由图形边框线段的形状来判断的。

首先对道路标志牌的激光点云数据的外部轮廓进行识别，获取其外部轮廓信息，判断所属的几何形状类型，然后，和从道路图像数据中识别出的几何形状的类型进行匹配，如果类型匹配，则说明确定的道路标志牌的点云较为准确，无需修改，如果类型不能匹配，则说明确定的道路标志牌的点云不够准确，存在干扰情况，需要对道路标志牌的点云的外部轮廓进行修正。

对道路标志牌的点云的外部轮廓进行修正的手段有多种，例如先找到道路标志牌的点云矩阵的几何中心，然后按照几何形状的类型重新确定轮廓边缘，以使得轮廓中能够保存有最多的点云数量。当然，还可以使用其他本领域常用的边缘去噪的方法。

基于本发明前文提供的一种点云数据的获取方法的相同构思，本发明还提供一种点云数据的获取装置，如图5所示，该装置包括：图像处理单元100、点云处理单元200以及点云获取单元300。

图像处理单元100，用于获取道路图像数据，道路图像数据包括道路图像中的道路标志牌覆盖的图像像素范围及道路标志牌的形状类型，从道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点。

点云处理单元200，用于根据采集道路图像时采集的激光点云，获取目标像素点对应的激光点簇；基于目标像素点对应的激光点簇，从激光点云中，获取位于激光点簇周边预设范围内的激光点。

点云获取单元300，用于通过点云处理单元200获取的激光点、激光点簇和道路标志牌的形状类型，识别出属于道路标志牌的激光点。

基于本发明前文提供的一种点云数据的获取方法的相同构思，本发明还提供一种点云数据的获取装置，如图6所示，该装置包括：存储器101、处理器102以及存储在所述存储器中并可在处理器102上运行的计算机程序。处理器102执行计算机程序时实现点云数据的获取方法的步骤。

基于本发明前文提供的一种点云数据的获取方法的相同构思，本发明还提供一种点云数据的获取系统，如图7所示，系统包括摄像装置1000、激光点云装置(比如激光雷达传感器)2000，以及点云生成装置3000。

摄像装置1000和激光点云装置2000均安装在采集车上，用于在道路行驶过程中同步进行数据的采集，其中，摄像装置1000采集道路图像，激光点云装置2000采集点云阵列。

点云生成装置3000获取并存储摄像装置1000采集的道路图像、摄像装置1000的姿态信息和激光点云装置2000采集的点云阵列。

点云生成装置3000包括：图像处理单元100、点云处理单元200以及点云获取单元300。

图像处理单元100，用于获取道路图像数据，道路图像数据包括道路图像中的道路标志牌覆盖的图像像素范围及道路标志牌的形状类型，从道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点。

点云处理单元200，用于根据采集道路图像时采集的激光点云，获取目标像素点对应的激光点簇；基于目标像素点对应的激光点簇，从激光点云中，获取位于激光点簇周边预设范围内的激光点。

点云获取单元300，用于通过点云处理单元200获取的激光点、激光点簇和道路标志牌的形状类型，识别出属于道路标志牌的激光点。

最后，还需要说明的是，在本文中，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。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，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。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

附图中的流程图和框图显示了根据本发明的多个实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图和框图中的每个方框可以代表一个模块、程序段或代码的一部分，包含一个或多个用于实现逻辑功能的计算机可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。也要注意的是，框图和流程图中的每个方框或方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (12)

1.一种点云数据的获取方法，所述方法包括：

获取道路图像数据，所述道路图像数据包括道路图像中的道路标志牌覆盖的图像像素范围及所述道路标志牌的形状类型；

从所述道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点；

根据采集所述道路图像时采集的激光点云，获取所述目标像素点对应的激光点簇；

基于所述目标像素点对应的激光点簇，从所述激光点云中，获取位于所述激光点簇周边预设范围内的激光点；

通过所述激光点、激光点簇和道路标志牌的形状类型，识别出属于所述道路标志牌的激光点。

2.根据权利要求1所述的方法，获取道路图像数据，具体包括：

获取采集车的摄像装置采集的道路图像，对所述道路图像通过预先建立的快速卷积神经网络训练模型进行学习，得到所述道路图像中的道路标志牌覆盖的图像像素范围及所述道路标志牌的形状类型。

3.根据权利要求1所述的方法，从所述道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点，具体包括：

选择位于所述道路标志牌覆盖的图像像素范围的几何中心的中心像素点作为目标像素点。

4.根据权利要求1所述的方法，根据采集所述道路图像时采集的激光点云，获取所述目标像素点对应的激光点簇，具体包括：

获取生成所述激光点云的激光的投影矩阵和姿态信息；

获取所述采集车的摄像装置的内外参数矩阵；

利用所述投影矩阵和姿态信息以及所述内外参数矩阵，建立所述激光点云与道路图像的变换矩阵；

基于所述变换矩阵，从所述激光点云中，获取所述目标像素点对应的激光点簇。

5.根据权利要求1所述的方法，基于所述目标像素点对应的激光点簇，从所述激光点云中，获取位于所述激光点簇周边预设范围内的激光点，具体包括：

以所述目标像素点对应的激光点簇为参考点，从所述激光点云中通过聚类，得到位于所述激光点簇周边预设范围内的激光点。

6.一种点云数据的获取装置，所述装置包括：

图像处理单元，用于获取道路图像数据，所述道路图像数据包括道路图像中的道路标志牌覆盖的图像像素范围及所述道路标志牌的形状类型，从所述道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点；

点云处理单元，用于根据采集所述道路图像时采集的激光点云，获取所述目标像素点对应的激光点簇，基于所述目标像素点对应的激光点簇，从所述激光点云中，获取位于所述激光点簇周边预设范围内的激光点；

点云获取单元，用于通过所述激光点、激光点簇和道路标志牌的形状类型，识别出属于所述道路标志牌的激光点。

7.根据权利要求6所述的装置，所述图像处理单元获取道路图像数据，具体包括：

获取采集车的摄像装置采集的道路图像，对所述道路图像通过预先建立的快速卷积神经网络训练模型进行学习，得到所述道路图像中的道路标志牌覆盖的图像像素范围及所述道路标志牌的形状类型。

8.根据权利要求6所述的装置，所述图像处理单元从所述道路标志牌覆盖的图像像素范围内，至少选择一个像素点作为目标像素点，具体包括：

选择位于所述道路标志牌覆盖的图像像素范围的几何中心的中心像素点作为目标像素点。

9.根据权利要求6所述的装置，所述点云处理单元根据采集所述道路图像时采集的激光点云，获取所述目标像素点对应的激光点簇，具体包括：

获取生成所述激光点云的激光的投影矩阵和姿态信息；

获取所述采集车的摄像装置的内外参数矩阵；

利用所述投影矩阵和姿态信息以及所述内外参数矩阵，建立所述激光点云与道路图像的变换矩阵；

基于所述变换矩阵，从所述激光点云中，获取所述目标像素点对应的激光点簇。

10.根据权利要求6所述的装置，所述点云处理单元基于所述目标像素点对应的激光点簇，从所述激光点云中，获取位于所述激光点簇周边预设范围内的激光点，具体包括：

以所述目标像素点对应的激光点簇为参考点，从所述激光点云中通过聚类，得到位于所述激光点簇周边预设范围内的激光点。

11.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述方法的步骤。

12.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。

Images