CN113971221A - 一种点云数据的处理方法、装置、电子设备及存储介质 - Google Patents
一种点云数据的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113971221A CN113971221A CN202010713994.7A CN202010713994A CN113971221A CN 113971221 A CN113971221 A CN 113971221A CN 202010713994 A CN202010713994 A CN 202010713994A CN 113971221 A CN113971221 A CN 113971221A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- grid
- cloud data
- data set
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4808—Evaluating distance, position or velocity data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种点云数据的处理方法、装置、电子设备及存储介质,其中,该方法包括:获取目标场景对应的点云数据;对获取的点云数据分别进行栅格化处理,得到各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个所述点云数据集中包含至少一个点云点的数据;根据每个栅格对应的点云数据集,确定与该栅格对应的点云特征信息。本公开将点云特征提取划分为点云栅格化过程和栅格特征提取过程,这样,通过以栅格为单位,对每个栅格对应的点云数据集进行整体点云特征提取,提高了点云特征提取的效率。
Description
技术领域
本公开涉及点云数据处理技术领域,具体而言,涉及一种点云数据的处理方法、装置、电子设备及存储介质。
背景技术
随着激光雷达技术的不断发展,因激光雷达采集的点云数据包括目标对象的准确位置信息,应用激光雷达进行点云数据的采集广泛应用于各个领域,如目标检测、三维目标重建、自动驾驶等。在进行上述应用之前,通常需要对采集的点云数据进行特征提取。
然而,由于激光雷达所产生的点云数据量大,且实时更新,若直接对采集的点云数据进行特征提取,将导致特征的提取速度较慢。
发明内容
本公开实施例至少提供一种点云数据的处理方案,结合数据读写机制将点云特征提取划分为栅格化处理以及栅格特征提取两个阶段,提升了点云特征提取的效率。
主要包括以下几个方面:
第一方面,本公开实施例提供了一种点云数据的处理方法,所述方法包括:
获取目标场景对应的点云数据;
对获取的所述点云数据分别进行栅格化处理后,得到各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个所述点云数据集中包含至少一个点云点的数据;
根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息。
采用上述点云数据的处理方法,其首先可以获取目标场景对应的点云数据,而后可以对获取的点云数据分别进行栅格化处理,也即确定点云数据所对应的栅格,并将栅格化处理后的点云数据以栅格为单位顺序存储在存储介质中,这样,在针对各个栅格进行特征提取之前,可以先从存储介质中依次读取每个栅格对应的点云数据集,进而对读取的每个点云数据集,确定与每个栅格对应的点云特征信息。上述提取方法将点云特征提取划分为点云栅格化过程和栅格特征提取过程,这样,通过以栅格为单位,对每个栅格对应的点云数据集进行整体点云特征提取,提高了点云特征提取的效率。
在一种实施方式中,按照如下步骤对获取的所述点云数据进行栅格化处理:
基于雷达坐标系与笛卡尔坐标系之间的转换关系,将获取的所述点云数据中各个点云点的雷达坐标信息分别转换为对应的笛卡尔坐标信息;
根据各个栅格的坐标范围将各个点云点按照对应的笛卡尔坐标信息,划分到对应的栅格中,其中各个栅格的坐标范围根据设定的雷达检测范围和预设的栅格尺寸确定。
在一种实施方式中,所述根据各个栅格的坐标范围将各个点云点按照对应的笛卡尔坐标信息,划分到对应的栅格中,包括:
针对获取的每个点云点,基于该点云点对应的笛卡尔坐标信息以及各个栅格的坐标范围确定该点云点待划分的栅格;
若已划分的栅格的数量小于第一预设数量,则判断已划分到所述待划分的栅格内的点云点的数量是否小于第二预设数量;
若小于所述第二预设数量,则将该点云点划分到所述待划分的栅格。
在一种实施方式中,根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息,包括:
针对每个栅格的点云数据集,基于该点云数据集所对应的多个点云点的坐标信息对所述多个点云点中每个点云点进行特征增强,确定所述每个点云点的增强特征信息;所述增强特征信息具有第一特征维度;
基于该点云数据集所对应的多个点云点的增强特征信息,确定该点云数据集的编码特征信息;所述编码特征信息具有第二特征维度;所述第二特征维度的维度数大于所述第一特征维度的维度数;
基于该点云数据集的编码特征信息,确定与该栅格对应的点云特征信息。
这里,为了实现栅格特征提取,本公开实施例首先可以基于点云数据集所对应的多个点云点的坐标信息对多个点云点中每个点云点进行特征增强并得到特征增强后的编码特征信息,相当于对一个栅格内多个点云点的特征进行了融合。
在一种实施方式中,所述基于该点云数据集所对应的多个点云点的坐标信息对所述多个点云点中每个点云点进行特征增强,确定所述每个点云点的增强特征信息,包括:
针对获取的每个栅格的点云数据集,基于该点云数据集所对应的多个点云点的坐标信息,确定与该点云数据集对应的中心坐标信息;
针对每个所述点云点,基于该点云点的坐标信息以及确定的所述中心坐标信息,确定该点云点对应的第一偏差信息;以及基于该点云点的坐标信息以及所述点云数据集内除该点云点之外的其它点云点的坐标信息,确定该点云点与所述其它点云点之间的第二偏差信息;
将所述点云点的坐标信息、所述第一偏差信息以及所述第二偏差信息作为该点云点的增强特征信息。
在一种实施方式中,卷积神经网络包括卷积层和激活层;利用所述卷积神经网络基于该点云数据集所对应的多个点云点的增强特征信息,确定该点云数据集的编码特征信息,包括:
针对获取的每个栅格的点云数据集,利用所述卷积层的卷积核对该点云数据集所对应的多个点云点的增强特征信息分别进行卷积运算,得到该点云数据集内每个点云点对应的卷积特征信息;
将各个点云点对应的卷积特征信息进行组合,得到与所述点云数据集对应的卷积特征信息;
利用所述激活层的激活函数对所述点云数据集对应的卷积特征信息进行处理,得到该点云数据集的编码特征信息。
在一种实施方式中,利用所述激活层的激活函数对所述点云数据集对应的卷积特征信息进行处理,得到该点云数据集的编码特征信息,包括:
按照第一预设位宽对所述点云数据集对应的卷积特征信息进行量化处理,得到量化处理后的卷积特征信息;所述第一预设位宽为目标检测网络部署到运行的平台时量化的位宽,所述目标检测网络用于根据确定出的与每个栅格对应的点云特征信息检测目标对象;
利用所述激活层的激活函数对所述量化处理后的卷积特征信息进行处理,得到该点云数据集的编码特征信息。
这里,为了适配后续的目标检测网络,在确定点云数据集对应的卷积特征信息之后,可以基于目标检测网络的第一预设位宽对上述卷积特征信息进行量化处理,以利用量化后的卷积特征信息进行特征编码。
在一种实施方式中,所述将所述点云点的坐标信息、所述第一偏差信息以及所述第二偏差信息作为该点云点的增强特征信息,包括:
针对所述每个点云点,按照第二预设位宽对该点云点的坐标信息、所述第一偏差信息以及所述第二偏差信息分别进行量化处理,得到量化处理后的坐标信息、第一偏差信息以及第二偏差信息;所述第二预设位宽为卷积神经网络部署到运行的平台时量化的位宽;所述卷积神经网络基于该点云数据集所对应的多个点云点的增强特征信息确定该点云数据集的编码特征信息;
将所述量化处理后的坐标信息、第一偏差信息以及第二偏差信息作为该点云点的增强特征信息。
这里,为了适配用于特征编码的卷积神经网络,在确定点云点对应的第一偏差信息以及第二偏差信息等增强特征信息之后,可以基于卷积神经网络的第二预设位宽对上述增强特征信息进行量化处理,以确定量化后的增强特征信息。
在一种实施方式中,确定与每个栅格对应的点云特征信息之后,还包括:
基于确定出的与所述每个栅格对应的点云特征信息检测目标对象。
这里,考虑到栅格对应的点云特征信息呈现了相关目标对象的空间分布情况,因而,可以将栅格特征提取过程所提取到的点云特征信息作为目标检测网络的输入信息,进行目标对象信息的检测,在点云特征提取的速度较快的前提下,目标检测的效率也得以提升。
在一种实施方式中,基于确定出的与所述每个栅格对应的点云特征信息检测目标对象由目标检测网络执行,包括:
将各个栅格在同一特征维度下的点云特征信息作为一组输入信息,将不同特征维度分别对应的不同组输入信息并行输入至目标检测网络中,得到所述目标场景中的目标对象。
为了更好的提取出目标对象信息,在将点云特征信息输入至目标检测网络之前,可以在特征维度上对栅格的点云特征信息进行分解,分解后的点云特征信息能够呈现不同特征维度对目标对象检测结果的影响,确保了检测准确度。
在一种实施方式中,基于确定出的与所述每个栅格对应的点云特征信息检测目标对象由目标检测网络执行,包括:
基于每个栅格对应的点云数据集中各个点云点的坐标信息,确定代表该栅格位置的目标点云点的坐标信息;
将确定出的与该栅格对应的点云特征信息作为所述目标点云点对应的点云特征信息,将所述目标点云点的坐标信息及对应的点云特征信息输入至所述目标检测网络中,得到所述目标场景中的目标对象。
这里,考虑到栅格与点云点之间的对应关系,可以将栅格的点云特征信息映射到一个目标点云点,采用该目标点云点代表栅格进行目标对象检测,进而提高检测效率。
第二方面,本公开实施例还提供了一种雷达装置,包括:雷达控制器、雷达组件以及现场可编程门阵列FPGA;其中,所述雷达控制器分别与所述雷达组件以及所述FPGA电连接;
所述雷达控制器,用于控制所述雷达组件对目标场景进行扫描,得到所述目标场景对应的点云数据;
所述FPGA,用于对所述点云数据分别进行栅格化处理,得到的各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个所述点云数据集中包含至少一个点云点的数据;并根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息;以及基于确定出的与所述每个栅格对应的点云特征信息检测目标对象。
在一种实施方式中,所述FPGA包括片上处理器和片上逻辑电路;
所述片上处理器,用于对所述点云数据分别进行栅格化处理,得到的各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个所述点云数据集中包含至少一个点云点的数据;并根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息;
所述片上逻辑电路,用于基于确定出的与所述每个栅格对应的点云特征信息检测目标对象。
第三方面,本公开实施例还提供了一种点云数据的处理装置,所述装置包括:
获取模块,用于获取目标场景对应的点云数据;
处理模块,用于对获取的所述点云数据分别进行栅格化处理,得到各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个所述点云数据集中包含至少一个点云点的数据;
确定模块,用于根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息。
第四方面,本公开实施例还提供了一种电子设备,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,当电子设备运行时,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第一方面及其各种实施方式任一所述的点云数据的处理方法的步骤。
第五方面,本公开实施例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第一方面及其各种实施方式任一所述的点云数据的处理方法的步骤。
关于上述点云数据的处理装置、电子设备、及计算机可读存储介质的效果描述参见上述点云数据的处理方法的说明,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一所提供的一种点云数据的处理方法的流程图;
图2示出了本公开实施例一所提供的点云数据的处理方法中,栅格化过程的具体示例图;
图3示出了本公开实施例一所提供的点云数据的处理方法中,特征增强过程的具体示例图;
图4(a)示出了本公开实施例一所提供的点云数据的处理方法中,特征编码前的具体示例图;
图4(b)示出了本公开实施例一所提供的点云数据的处理方法中,特征编码后的具体示例图;
图5示出了本公开实施例二所提供的一种点云数据的处理装置的示意图;
图6示出了本公开实施例三所提供的一种电子设备的示意图。
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。
经研究发现,相关技术中,由于激光雷达所产生的点云数据量较大,且实时更新,若直接对采集的点云数据进行特征提取,将导致特征的提取速度较慢。
基于上述研究,本公开提供了至少一种点云数据的处理方案,结合数据读写机制将点云特征提取划分为栅格化处理以及栅格特征提取两个阶段,提升了点云特征提取的效率。
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的处理方法进行详细介绍,本公开实施例所提供的点云数据的处理方法的执行主体一般为具有一定计算能力的电子设备,该电子设备例如包括:终端设备或服务器或其它处理芯片,处理芯片如微控制单元(Microcontroller Unit,MCU)、片上系统(System-on-a-Chip,SoC)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FPGA,field-programmable gate array),终端设备如激光雷达设备、用户设备(UserEquipment,UE)、移动设备、用户终端(如智能手机)、终端、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,该点云数据的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。
下面对本公开实施例提供的点云数据的处理方法加以说明。
实施例一
参见图1所示,为本公开实施例提供的点云数据的处理方法的流程图,方法包括步骤S101~S103,其中:
S101、获取目标场景对应的点云数据;
S102、对获取的点云数据分别进行栅格化处理后,得到各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个点云数据集中包含至少一个点云点的数据;
S103、根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息。
这里,为了便于理解本公开实施例所提供的点云数据的处理方法,接下来首先对该提取方法的具体应用场景进行详细说明。本公开实施例提供的点云数据的处理方法主要可以应用于目标检测、三维目标重建等领域。这里以目标检测为例进行示例说明。相关技术中,为了确定与目标相关的位置等信息,在获取到与应用场景相关的数据信息(例如点云数据)之后,可以基于预先训练的目标检测网络实现目标检测。这里,考虑到在依赖于目标检测网络进行目标检测的过程中,由于激光雷达所采集的点云数据量大,且实时更新,这将导致特征的提取速度较慢,而较慢的特征提取速度直接导致了目标检测的效率较低,特别是在自动驾驶等对目标检测实时性要求比较高的应用中,较低的目标检测效率直接影响了驾驶安全。
正是为了解决上述问题,本公开实施例才提供了一种基于不同的数据读写机制将点云特征提取划分为点云栅格化过程和栅格特征提取过程的点云数据的处理方法,前一个过程读取点云数据以进行栅格化处理,并以栅格为单位顺序写入栅格化后的点云点的数据,也即,同一个栅格内的点云数据集可以是写在存储介质的一个连续的地址范围内的,从而便于后一个过程顺序读取每个栅格对应的点云数据集,两个过程相互配合,确保了点云特征提取的快速实现,这样,在将上述提取方法应用于目标检测等领域的情况下,可以确保应用的高效实现。
本公开实施例中的点云栅格化过程,即是对目标场景对应的点云数据进行栅格化处理的过程,栅格特征提取过程则可以是对栅格对应的点云数据集进行特征提取的过程。
这里,考虑到在实际的应用中,由激光雷达所采集的原始点云数据量通常较大,通常会被存储至片外存储器,例如双倍速率同步动态随机存储器(Double Data RateSynchronous Dynamic Random Access Memory,DDR SDRAM)中的DDR3\DDR4上,而从处理效率层面出发,本公开实施例所提供的点云数据的处理方法中的点云栅格化以及栅格特征提取可以是依赖于片上存储器的存储,因而,在进行栅格化处理的过程中,首先可以是按照第一存储介质(对应片外存储器)的读取机制读取点云数据所对应的多个点云点,而后可以针对每个点云点确定其所映射的栅格,这样,可以按照栅格信息将点云点写入到第二存储介质(对应片上存储器)对应的存储地址上。
需要说明的是,在将各个点云点写入存储介质的过程中,可以先对落入一个栅格内的各个点云点进行坐标排序,例如,按照横向坐标值由小到大的顺序对各个点云点进行排序,从而可以根据排序结果进行顺序写入。
其中,上述写入点云点的数据的过程中涉及到对存储介质的乱序访问。这主要是考虑到在读取到一个点云点的数据之后,首先需要确定该点云点所属的栅格,这里,在将上述点云点写入栅格所对应存储介质之前,可以针对该点云点所属的栅格对应存储的其它点云点进行乱序访问,在经过排序操作之后,即可以将排序后的各个点云点顺序写入存储介质,从而便于后续栅格特征提取阶段对栅格内数据的顺序读取,。
本公开实施例中,一个点云点的初始特征可以是其坐标信息,该坐标信息可以包括横向坐标值、纵向坐标值、高度坐标值以及深度坐标值,可以使用{X,Y,Z,I}对应表示上述坐标值(如图2所示的点云点P1的示例所示),可知的是,一个点云点的初始特征的特征维度是4维。例如,在确定一个栅格内共计16个点云点的情况下,可以将排序后的16个点云点{P1,P2……,P16}顺序写入一个栅格所在的存储地址,如图2所示,其它栅格所写入的点云点的个数等信息未做具体示例。
另外,在进行栅格特征提取的过程中,可以是针对栅格内的点云数据集进行统一分析的过程。在具体应用中,可以先读取每个栅格对应的点云数据集,而后对该栅格内的点云数据集中的每个点云点进行特征增强,特征增强前点云点的特征维度小于特征增强后点云点的特征维度,也即凸显了栅格内各个点云点的特征信息,最后可以基于增强后的各个点云点的特征信息实现对应点云数据集的特征编码,从而实现了栅格的特征提取。
需要说明的是,基于上述点云点的顺序写入操作,在进行栅格特征提取之前,即可以顺序读取写入的有关点云点的相关数据。
这里,可以分别为上述点云栅格化处理操作和栅格特征提取操作设置对应的接口,这里,可以设置点云栅格化操作的输入接口,利用该输入接口可以随机访问存储介质中的点云数据,还可以设置点云栅格化操作和栅格特征提取操作之间的接口,利用这一接口实现对存储介质中存储的栅格化后的点云数据的顺序访问。
其中,上述存储介质可以是片上存储器,还可以是片外存储器,在片上缓存无法满足访问需求的情况下,可以采用片外存储器,在片上缓存资源充足的芯片上可以直接采用片上存储器,而无需读写片外存储器,从而降低时延,提高访问实时性。
这里,点云栅格化和栅格特征提取作为本公开实施例提供的点云数据的处理方法的关键步骤,接下来可以分别进行阐述。
首先可以对点云栅格化的过程进行详细描述。
本公开实施例中的点云栅格化的过程可以依赖于雷达坐标系与笛卡尔坐标系之间的转换关系,具体可以通过如下步骤实现:
步骤一、基于雷达坐标系与笛卡尔坐标系之间的转换关系,将获取的点云数据中各个点云点的雷达坐标信息分别转换为对应的笛卡尔坐标信息;
步骤二、根据各个栅格的坐标范围将各个点云点按照对应的笛卡尔坐标信息,划分到对应的栅格中,其中各个栅格的坐标范围根据设定的雷达检测范围和预设的栅格尺寸确定。
这里的笛卡尔坐标系可以是基于检测平面(如地面)所建立的,且建立的该笛卡尔坐标系的原点可以是与雷达坐标系的原点重合,这样,在将点云数据中各个点云点的雷达坐标信息投射到地面的情况下,即可以确定该点云点所对应的笛卡尔坐标信息,该笛卡尔坐标信息可以是点云点投射到检测平面时,相距激光雷达设备的实际距离。在基于设定的雷达检测范围和预设的栅格尺寸划分多个栅格之后,可以确定每个点云点被划分到的栅格,从而实现点云栅格化。
需要说明的是,在设定的雷达检测范围相同的情况下,预设的栅格尺寸越大,划分出的栅格数量越少,每个栅格落入的点云点的数量反而越多,同理,预设的栅格尺寸越小,划分出的栅格数量越多,每个栅格落入的点云点的数量反而越少。
本公开实施例中,考虑到后续栅格特征提取的过程中可以是以栅格为单位的点云数据集的处理,因而,栅格数量以及栅格内点云数据集包含的点云点的数量将直接影响栅格特征提取的速度。这里,为了尽可能的在确保特征提取准确度的前提下提升栅格特征提取的效率,可以基于栅格数量和栅格内点云点的数量的限定来划分栅格。具体可以通过如下步骤来实现:
步骤一、针对获取的每个点云点,基于该点云点对应的笛卡尔坐标信息以及各个栅格的坐标范围确定该点云点待划分的栅格;
步骤二、若已划分的栅格的数量小于第一预设数量,则判断已划分到待划分的栅格内的点云点的数量是否小于第二预设数量;
步骤三、若小于第二预设数量,则将该点云点划分到待划分的栅格。
这里,为了便于理解上述栅格划分过程,以栅格总数量限定在20个、一个栅格内的点云点限定在16个为例进行示例说明。
针对获取的一个点云点,若基于点云点对应的笛卡尔坐标信息以及各个栅格的坐标范围确定该点云点待划分的栅格为第5个栅格,这里,若确定已划分的栅格的数量为4,尚未达到20个的上限值,这时,第5个栅格将作为新划分的栅格,此时上述点云点将作为该新划分的栅格内的首个点云点;若确定已划分的栅格的数量为5,尚未达到20个的上限值,这时,第5个栅格将作为已划分的栅格,此时上述点云点将作为该已划分的栅格内的非首个点云点,可以基于已划分到第5个栅格内的点云点的数量是否小于等于16的判断结果确定是否将这一点云点划分到第5个栅格。如果第5个栅格内的点云点的数量已经等于16,则丢弃该点云点,否则将改点云点划分到第5个栅格。
若一个针对获取的一个点云点,若基于点云点对应的笛卡尔坐标信息以及各个栅格的坐标范围确定该点云点待划分的栅格为第21个栅格,这里,若确定已划分的栅格的数量为20,已经达到20个的上限值,此时丢弃该点云点,点云栅格化的过程结束。
可见,本公开实施例基于栅格数量以及栅格内点云点的数量的限定实现了栅格划分,从而确保了后续进行栅格特征提取的效率。
接下来可以对本公开实施例提供的栅格特征提取的过程进行具体描述。本公开实施例中的栅格特征提取主要包括针对点云点的特征增强以及针对栅格的特征编码这两个过程,具体包括如下步骤:
步骤一、针对每个栅格的点云数据集,基于该点云数据集所对应的多个点云点的坐标信息对多个点云点中每个点云点进行特征增强,确定每个点云点的增强特征信息;增强特征信息具有第一特征维度;
步骤二、基于该点云数据集所对应的多个点云点的增强特征信息,确定该点云数据集的编码特征信息;编码特征信息具有第二特征维度;第二特征维度的维度数大于第一特征维度的维度数;
步骤三、基于该点云数据集的编码特征信息,确定与该栅格对应的点云特征信息。
这里,针对点云点进行特征增强的过程可以是将栅格的点云数据集中的每个点云点的特征进行扩增的过程,具体可以通过如下步骤来实现:
步骤一、针对获取的每个栅格的点云数据集,基于该点云数据集所对应的多个点云点的坐标信息,确定与该点云数据集对应的中心坐标信息;
步骤二、针对每个点云点,基于该点云点的坐标信息以及确定的中心坐标信息,确定该点云点对应的第一偏差信息;以及基于该点云点的坐标信息以及点云数据集内除该点云点之外的其它点云点的坐标信息,确定该点云点与其它点云点之间的第二偏差信息;
步骤三、将点云点的坐标信息、第一偏差信息以及第二偏差信息作为该点云点的增强特征信息。
这里,针对读取的每个栅格的点云数据集,首先可以基于该点云数据集所对应的多个点云点的坐标信息,确定一个点云数据集对应的中心坐标信息。在具体应用中,可以将各个点云点的坐标信息进行求和后,与点云数据集内所包含的点云点的个数求商,以确定中心坐标信息,该中心坐标信息一定程度上可以表征点云数据集中各个点云点的集中分布趋势。
在确定一个栅格对应的中心坐标信息的情况下,可以针对落入该栅格的任一点云点确定其偏离上述中心坐标的第一偏差量,还可以确定任一点云点偏离栅格内其它点云点的第二偏差量。
这里,针对任一点云点可以将该点云点的坐标信息与上述中心坐标信息求差来确定该点云点对应的第一偏差信息,该第一偏差信息一定程度上可以表征点云数据集中数据分布的分散程度,除此之外,针对任一点云点,还可以将该点云点的坐标信息与其它点云点的坐标信息分别进行差值运算,来确定与该点云点对应的第二偏差信息,该第二偏差信息一定程度上也可以表征点云数据集中数据分布的分散程度。
在具体应用中,除了可以基于上述第一偏差信息和第二偏差信息确定点云点的增强特征信息,还可以通过对各个点云点的坐标信息的其它处理确定其它的增强特征信息,本公开实施例对此不做具体限制。
这里,仍以点云点的初始特征的特征维度是4维为例,在经过特征增强之后,所对应的增强特征信息可以是9维(对应第一特征维度),也即,在初始维度的前提下了扩展了5维的特征。
如图3所示,为4维初始特征的点云点以串行数据流方式输入之后进行特征增强的操作,得到9维的增强特征信息的一个具体示例。针对一个栅格内的点云数据集包括的各个点云点,可以是顺序读取各个点云点的坐标信息,这样,在进行特征增强的过程中,可以是将顺序读取的各个点云点信息以串行数据流方式进行数据增强处理。
为了便于实现数据增强,在针对任一个点云点进行特征增强时,可以结合栅格化过程中所生成的栅格索引表来实现,基于该栅格索引表,可以确定与该点云点属于同一个栅格的其它点云点的相关信息,进而可以进行上述有关偏差信息的计算,从而确定任一个点云点所对应的增强特征信息。在点云点信息以串行数据流方式接入数据增强处理操作的前提下,所输出的针对点云点的增强特征信息也可以是串行数据流方式输出的。
这里,针对栅格进行特征编码的过程可以是将栅格内的点云数据集中各个点云点的特征进行融合的过程。
本公开实施例中,针对读取的每个栅格的点云数据集,可以将该点云数据集所对应的多个点云点的增强特征信息作为卷积神经网络的输入信息,通过卷积运算实现针对点云数据集的特征编码。
需要说明的是,为了适配上述卷积神经网络的第二预设位宽(如4bit),可以按照上述位宽对上述增强得到的坐标信息、第一偏差信息以及第二偏差信息分别进行量化处理,并将量化处理后的坐标信息、第一偏差信息以及第二偏差信息作为增强后的增强特征信息。
其中,上述卷积神经网络可以包括卷积层和激活层,基于该卷积神经网络实现特征编码可以通过如下步骤来实现:
步骤一、针对获取的每个栅格的点云数据集,利用卷积层的卷积核对该点云数据集所对应的多个点云点的增强特征信息分别进行卷积运算,得到该点云数据集内每个点云点对应的卷积特征信息;
步骤二、将各个点云点对应的卷积特征信息进行组合,得到与点云数据集对应的卷积特征信息;
步骤三、利用激活层的激活函数对点云数据集对应的卷积特征信息进行处理,得到该点云数据集的编码特征信息。
这里,针对一个栅格的点云数据集,可以首先确定该点云数据集内每个点云点对应的卷积特征信息。这里,仍以一个栅格内的点云数据集包括16个点云点,每个点云点增强后的增强特征信息的维度为9为例,可以针对16个点云点分别进行卷积运算,如可以采用1x1卷积进行卷积运算,从而得到各个点云点对应的卷积特征信息。
将16个卷积特征信息进行求和运算,即可得到与点云数据集对应的卷积特征信息,这时,可以利用激活函数对点云数据集进行处理,从而得到对应的编码特征信息,例如可以编码为32维度(对应第二特征维度)的编码特征信息。
如图4(a)~4(b)为针对栅格化后的32个栅格内的一个栅格进行特征编码的具体示例图。如图4(a)所示,三个轴向分别指示的是栅格数量,如W=32所示,栅格内点云点的数量,如H=16所示,每个点云点增强后的增强特征信息(如点云点P1的增强特征信息所示)的维度,如C=9所示,这样,在按照上述特征编码方式实现编码之后,可以确定三个轴向分别指示的W=32,H=1,C=32,即实现了一个栅格中的点云数据集所包括的各个点云点特征的融合,对应编码特征信息。
在具体应用中,可以采用线性整流函数(Rectified Linear Unit,ReLU)这一激活函数进行编码处理,该函数可以将指示卷积特征值小于等于零的点云数据集对应编码为0,将指示卷积特征值大于零的点云数据集对应编码为1,所得到的编码特征信息在1的位置可以对应有目标对象,在0的位置则可以对应的是背景,从而便于实现后续的目标检测。
在具体应用中,上述实现特征编码的卷积神经网络可以采用体素特征编码(VoxelFeature Encoding,VFE)网络来实现,该VFE网络可以采用一维/流式稀疏卷积技术实现特征编码,由于这一技术契合了激光雷达数据本身所具备的稀疏特性,从而可以自适应数据流密度,提升编码效率,进一步可以降低处理时延,提升性能。
需要说明的是,为了适配目标检测网络的第一预设位宽(如8bit),这时,可以按照这一位宽对上述卷积特征信息进行量化处理,而后再对量化处理后的卷积特征信息进行编码以得到编码特征信息。
本公开实施例中,在按照上述方法确定出每个栅格对应的点云特征信息之后,即可以将该点云特征信息作为目标检测网络的输入信息实现目标对象信息的检测。
其中,基于不同的应用场景,所确定的目标对象也不同。例如,针对自动驾驶而言,上述目标对象可以是自动驾驶汽车前方的人物,还可以是汽车前方的车辆,本公开实施例对此不做具体的限制。
在具体应用中,可以利用卷积神经网络实现目标检测网络的训练。在上述编码特征信息作为一种稀疏图的方式输入到卷积神经网络参与到卷积运算的情况下,可以仅对编码为1的栅格进行卷积运算,从而降低卷积运算量。
本公开实施例中,为了适配目标检测网络的数据接收方式,还可以进行特征拆解。这里,可以将各个栅格在同一特征维度下的点云特征信息作为一组输入信息,将不同特征维度分别对应的不同组输入信息并行输入至训练好的目标检测网络中,从目标场景中确定目标对象信息。
例如,在确定栅格的点云特征信息的维度为32维的情况下,可以将各个栅格在同一特征维度下的点云特征信息作为一组输入信息,不同特征维度将对应不同组的输入信息,共计对应32组输入信息,将这32组输入信息输入到目标检测网络中即可以实现目标对象信息的确定。
本公开实施例中,为了适配目标检测网络的数据接收方式,还可以进行栅格散点数据到鸟瞰视角检测平面的重映射,具体包括如下步骤:
步骤一、基于每个栅格对应的点云数据集中各个点云点的坐标信息,确定代表该栅格位置的目标点云点的坐标信息;
步骤二、将确定出的与该栅格对应的点云特征信息作为目标点云点对应的点云特征信息,将目标点云点的坐标信息及对应的点云特征信息输入至目标检测网络中,得到目标场景中的目标对象。
这里,在进行栅格化之前,点云点与栅格之间存在一对多的关系,在进行栅格特征提取之后,一个栅格内各个点云点的特征得以融合(对应特征编码过程),这时,可以将栅格映射回对应的目标点云点,基于映射回的目标点云点的坐标信息所对应的点云特征信息即可实现目标对象检测。
在具体应用中,上述特征编码操作与上述映射操作之间也可以设置相应的接口,编码后的编码特征信息是以顺序方式写入存储介质,在映射操作之前,可以顺序从存储介质中读取编码特征信息。
其中,上述栅格至点云点的映射关系,即对应了栅格散点数据到鸟瞰视角检测平面的重映射过程,这时,可以将映射后的目标点云点的坐标信息标注在对应的鸟瞰图的相应位置,对于没有栅格映射的点可以自动补零。
需要说明的是,对于栅格离散数据所对应的稀疏特征图而言,可以是稀疏排布的,因此在后级卷积神经网络可以支持稀疏卷积的情况下,此时栅格特征输出数据量大大降低,能进一步降低运算量。
另外,在该方法所采用的激光雷达设备是旋转式雷达时,该旋转式雷达按照设定角度(如15°)采集点云数据,这里可以将一圈(对应360°)采集的点云数据作为一帧点云数据进行点云栅格化及栅格特征提取,也可以将半圈(对应180°)采集的点云数据作为一帧点云数据进行点云栅格化及栅格特征提取,还可以将四分之一圈(对应90°)采集的点云数据作为一帧点云数据进行点云栅格化及栅格特征提取。
为了可以更快的提取到完整的一圈点云数据所对应的点云特征信息,这里,可以使用两个栅格特征提取模块对两个半圈点云数据进行并行加速,或使用四个栅格特征提取模块对四个四分之一圈点云数据进行并行加速等,从而提高处理帧率,进一步提升特征提取的实时性。
相对相关技术,本公开实施例所提供的点云特征的提取方法点云数据的处理方法的突出贡献主要在于以下几点:
其一,在实现栅格特征提取的过程中,本公开实施例中的特征增强和特征编码依次在片上流水线加速处理,而特征增强和特征编码可以各自并行加速;
其二,在实现点云栅格化的过程中,本公开实施例采用了点云栅格索引表和特征的压缩数据形式进行栅格化,除此之外,还可以采用编码后特征的压缩数据形式进行特征提取。
基于上述实施例提供的点云数据的处理方法,本公开实施例还提供了一种应用上述处理方法的雷达装置,该雷达装置包括:雷达控制器、雷达组件以及现场可编程门阵列FPGA;其中,雷达控制器分别与雷达组件以及FPGA电连接;
雷达控制器,用于控制雷达组件对目标场景进行扫描,得到目标场景对应的点云数据;
FPGA,用于对点云数据分别进行栅格化处理,得到的各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个点云数据集中包含至少一个点云点的数据;并根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息;以及基于确定出的与每个栅格对应的点云特征信息检测目标对象。
这里,雷达组件负责激光雷达的驱动,将激光雷达测距得到的原始点云存储至片外存储器例如DDR3\DDR4或片上存储器。FPGA从片上或片外存储器获取相关激光雷达原始点云,调用FPGA异构系统中PS侧即ARM侧(一种微处理器)内核中央处理器(CentralProcessing Unit,CPU)作为点云特征提取器,对激光雷达原始点云的特征进行提取,将特征信息存储至片上内存,调用FPGA异构系统中PL侧即逻辑电路作为人工神经网络加速器,对特征信息进行卷积计算,输出检测结果通过片上或片外存储器反馈给雷达组件,最后由雷达组件负责将检测结果通过网口输出给用户端。
其中,上述FPGA包括片上处理器和片上逻辑电路;
片上处理器,用于对点云数据分别进行栅格化处理,得到的各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个点云数据集中包含至少一个点云点的数据;并根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息;
片上逻辑电路,用于基于确定出的与每个栅格对应的点云特征信息检测目标对象。其中,可以利用片上逻辑电路可以对目标检测网络进行加速。
这里,目标场景对应的点云数据可以存储在片外存储器或者片上存储器,同一个栅格内的点云数据集所存储的存储介质可以是片上存储器。
本公开实施例中,可以利用神经网络基于确定出与每个栅格对应的点云特征信息检测目标对象。
上述神经网络的网络参数可以存储在片外存储器中,在使用时,从片外存储器读取到片上内存中,片上处理器和片上逻辑电路可以基于网络参数进行数据处理。
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的处理方法对应的点云数据的处理装置,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的处理方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
实施例二
参照图5所示,为本公开实施例提供的一种点云数据的处理装置的架构示意图,装置包括:获取模块501、处理模块502、确定模块503;其中,
获取模块501,用于获取目标场景对应的点云数据;
处理模块502,用于对获取的点云数据分别进行栅格化处理,得到各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个点云数据集中包含至少一个点云点的数据;
确定模块503,用于根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息。
上述处理装置将点云特征提取划分为点云栅格化过程和栅格特征提取过程,这样,通过以栅格为单位,对每个栅格对应的点云数据集进行整体点云特征提取,提高了点云特征提取的效率。
在一种实施方式中,处理模块502,用于按照如下步骤对获取的点云数据进行栅格化处理:
基于雷达坐标系与笛卡尔坐标系之间的转换关系,将获取的点云数据中各个点云点的雷达坐标信息分别转换为对应的笛卡尔坐标信息;
根据各个栅格的坐标范围将各个点云点按照对应的笛卡尔坐标信息,划分到对应的栅格中,其中各个栅格的坐标范围根据设定的雷达检测范围和预设的栅格尺寸确定。
在一种实施方式中,处理模块502,用于按照如下步骤根据各个栅格的坐标范围将各个点云点按照对应的笛卡尔坐标信息,划分到对应的栅格中:
针对获取的每个点云点,基于该点云点对应的笛卡尔坐标信息以及各个栅格的坐标范围确定该点云点待划分的栅格;
若已划分的栅格的数量小于第一预设数量,则判断已划分到待划分的栅格内的点云点的数量是否小于第二预设数量;
若小于第二预设数量,则将该点云点划分到待划分的栅格。
在一种实施方式中,确定模块503,用于按照以下步骤根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息:
针对每个栅格的点云数据集,基于该点云数据集所对应的多个点云点的坐标信息对多个点云点中每个点云点进行特征增强,确定每个点云点的增强特征信息;增强特征信息具有第一特征维度;
基于该点云数据集所对应的多个点云点的增强特征信息,确定该点云数据集的编码特征信息;编码特征信息具有第二特征维度;第二特征维度的维度数大于第一特征维度的维度数;
基于该点云数据集的编码特征信息,确定与该栅格对应的点云特征信息。
在一种实施方式中,确定模块503,用于按照以下步骤基于该点云数据集所对应的多个点云点的坐标信息对多个点云点中每个点云点进行特征增强,确定每个点云点的增强特征信息:
针对获取的每个栅格的点云数据集,基于该点云数据集所对应的多个点云点的坐标信息,确定与该点云数据集对应的中心坐标信息;
针对每个点云点,基于该点云点的坐标信息以及确定的中心坐标信息,确定该点云点对应的第一偏差信息;以及基于该点云点的坐标信息以及点云数据集内除该点云点之外的其它点云点的坐标信息,确定该点云点与其它点云点之间的第二偏差信息;
将点云点的坐标信息、第一偏差信息以及第二偏差信息作为该点云点的增强特征信息。
在一种实施方式中,卷积神经网络包括卷积层和激活层;确定模块503,用于按照以下步骤利用卷积神经网络基于该点云数据集所对应的多个点云点的增强特征信息,确定该点云数据集的编码特征信息:
针对获取的每个栅格的点云数据集,利用卷积层的卷积核对该点云数据集所对应的多个点云点的增强特征信息分别进行卷积运算,得到该点云数据集内每个点云点对应的卷积特征信息;
将各个点云点对应的卷积特征信息进行组合,得到与点云数据集对应的卷积特征信息;
利用激活层的激活函数对点云数据集对应的卷积特征信息进行处理,得到该点云数据集的编码特征信息。
在一种实施方式中,确定模块503,用于按照以下步骤利用激活层的激活函数对点云数据集对应的卷积特征信息进行处理,得到该点云数据集的编码特征信息:
按照第一预设位宽对点云数据集对应的卷积特征信息进行量化处理,得到量化处理后的卷积特征信息;第一预设位宽为目标检测网络部署到运行的平台时量化的位宽,目标检测网络用于根据确定出的与每个栅格对应的点云特征信息检测目标对象;
利用激活层的激活函数对量化处理后的卷积特征信息进行处理,得到该点云数据集的编码特征信息。
在一种实施方式中,确定模块503,用于按照以下步骤将点云点的坐标信息、第一偏差信息以及第二偏差信息作为该点云点的增强特征信息:
针对每个点云点,按照第二预设位宽对该点云点的坐标信息、第一偏差信息以及第二偏差信息分别进行量化处理,得到量化处理后的坐标信息、第一偏差信息以及第二偏差信息;第二预设位宽为卷积神经网络部署到运行的平台时量化的位宽;卷积神经网络基于该点云数据集所对应的多个点云点的增强特征信息确定该点云数据集的编码特征信息;
将量化处理后的坐标信息、第一偏差信息以及第二偏差信息作为该点云点的增强特征信息。
在一种实施方式中,上述装置还包括:
检测模块504,用于确定与每个栅格对应的点云特征信息之后,基于确定出的与每个栅格对应的点云特征信息检测目标对象。
在一种实施方式中,检测模块504,用于按照以下步骤基于确定出的与每个栅格对应的点云特征信息检测目标对象:
将各个栅格在同一特征维度下的点云特征信息作为一组输入信息,将不同特征维度分别对应的不同组输入信息并行输入至目标检测网络中,得到目标场景中的目标对象。
在一种实施方式中,检测模块504,用于按照以下步骤基于确定出的与每个栅格对应的点云特征信息检测目标对象:
基于每个栅格对应的点云数据集中各个点云点的坐标信息,确定代表该栅格位置的目标点云点的坐标信息;
将确定出的与该栅格对应的点云特征信息作为目标点云点对应的点云特征信息,将目标点云点的坐标信息及对应的点云特征信息输入至目标检测网络中,得到目标场景中的目标对象。
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。
实施例三
本公开实施例还提供了一种电子设备,如图6所示,为本公开实施例提供的电子设备的结构示意图,包括:处理器601、存储器602、和总线603。存储器602存储有处理器601可执行的机器可读指令(如图5所示点云数据的处理装置中,获取模块501、处理模块502和确定模块503所对应执行的指令),当电子设备运行时,处理器601与存储器602之间通过总线603通信,机器可读指令被处理器601执行时执行如下处理:
获取目标场景对应的点云数据;
对获取的点云数据分别进行栅格化处理后,得到各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个点云数据集中包含至少一个点云点的数据;
根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息。
在一种实施方式中,上述处理器601执行的指令中,按照如下步骤对获取的点云数据进行栅格化处理:
基于雷达坐标系与笛卡尔坐标系之间的转换关系,将获取的点云数据中各个点云点的雷达坐标信息分别转换为对应的笛卡尔坐标信息;
根据各个栅格的坐标范围将各个点云点按照对应的笛卡尔坐标信息,划分到对应的栅格中,其中各个栅格的坐标范围根据设定的雷达检测范围和预设的栅格尺寸确定。
在一种实施方式中,上述处理器601执行的指令中,根据各个栅格的坐标范围将各个点云点按照对应的笛卡尔坐标信息,划分到对应的栅格中,包括:
针对获取的每个点云点,基于该点云点对应的笛卡尔坐标信息以及各个栅格的坐标范围确定该点云点待划分的栅格;
若已划分的栅格的数量小于第一预设数量,则判断已划分到待划分的栅格内的点云点的数量是否小于第二预设数量;
若小于第二预设数量,则将该点云点划分到待划分的栅格。
在一种实施方式中,上述处理器601执行的指令中,根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息,包括:
针对每个栅格的点云数据集,基于该点云数据集所对应的多个点云点的坐标信息对多个点云点中每个点云点进行特征增强,确定每个点云点的增强特征信息;增强特征信息具有第一特征维度;
基于该点云数据集所对应的多个点云点的增强特征信息,确定该点云数据集的编码特征信息;编码特征信息具有第二特征维度;第二特征维度的维度数大于第一特征维度的维度数;
基于该点云数据集的编码特征信息,确定与该栅格对应的点云特征信息。
在一种实施方式中,上述处理器601执行的指令中,基于该点云数据集所对应的多个点云点的坐标信息对多个点云点中每个点云点进行特征增强,确定每个点云点的增强特征信息,包括:
针对获取的每个栅格的点云数据集,基于该点云数据集所对应的多个点云点的坐标信息,确定与该点云数据集对应的中心坐标信息;
针对每个点云点,基于该点云点的坐标信息以及确定的中心坐标信息,确定该点云点对应的第一偏差信息;以及基于该点云点的坐标信息以及点云数据集内除该点云点之外的其它点云点的坐标信息,确定该点云点与其它点云点之间的第二偏差信息;
将点云点的坐标信息、第一偏差信息以及第二偏差信息作为该点云点的增强特征信息。
在一种实施方式中,上述处理器601执行的指令中,卷积神经网络包括卷积层和激活层;利用卷积神经网络基于该点云数据集所对应的多个点云点的增强特征信息,确定该点云数据集的编码特征信息,包括:
针对获取的每个栅格的点云数据集,利用卷积层的卷积核对该点云数据集所对应的多个点云点的增强特征信息分别进行卷积运算,得到该点云数据集内每个点云点对应的卷积特征信息;
将各个点云点对应的卷积特征信息进行组合,得到与点云数据集对应的卷积特征信息;
利用激活层的激活函数对点云数据集对应的卷积特征信息进行处理,得到该点云数据集的编码特征信息。
在一种实施方式中,上述处理器601执行的指令中,利用激活层的激活函数对点云数据集对应的卷积特征信息进行处理,得到该点云数据集的编码特征信息,包括:
按照第一预设位宽对点云数据集对应的卷积特征信息进行量化处理,得到量化处理后的卷积特征信息;第一预设位宽为目标检测网络部署到运行的平台时量化的位宽,目标检测网络用于根据确定出的与每个栅格对应的点云特征信息检测目标对象;
利用激活层的激活函数对量化处理后的卷积特征信息进行处理,得到该点云数据集的编码特征信息。
在一种实施方式中,上述处理器601执行的指令中,将点云点的坐标信息、第一偏差信息以及第二偏差信息作为该点云点的增强特征信息,包括:
针对每个点云点,按照第二预设位宽对该点云点的坐标信息、第一偏差信息以及第二偏差信息分别进行量化处理,得到量化处理后的坐标信息、第一偏差信息以及第二偏差信息;第二预设位宽为卷积神经网络部署到运行的平台时量化的位宽;卷积神经网络基于该点云数据集所对应的多个点云点的增强特征信息确定该点云数据集的编码特征信息;
将量化处理后的坐标信息、第一偏差信息以及第二偏差信息作为该点云点的增强特征信息。
在一种实施方式中,确定与每个栅格对应的点云特征信息之后,上述处理器601执行的指令还包括:
基于确定出的与每个栅格对应的点云特征信息检测目标对象。
在一种实施方式中,上述处理器601执行的指令中,基于确定出的与每个栅格对应的点云特征信息检测目标对象由目标检测网络执行,包括:
将各个栅格在同一特征维度下的点云特征信息作为一组输入信息,将不同特征维度分别对应的不同组输入信息并行输入至目标检测网络中,得到目标场景中的目标对象。
在一种实施方式中,上述处理器601执行的指令中,基于确定出的与每个栅格对应的点云特征信息检测目标对象由目标检测网络执行,包括:
基于每个栅格对应的点云数据集中各个点云点的坐标信息,确定代表该栅格位置的目标点云点的坐标信息;
将确定出的与该栅格对应的点云特征信息作为目标点云点对应的点云特征信息,将目标点云点的坐标信息及对应的点云特征信息输入至目标检测网络中,得到目标场景中的目标对象。
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601运行时执行上述方法实施例中的点云数据的处理方法的步骤。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。
本公开实施例所提供的点云数据的处理方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,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的处理方法的步骤,具体可参见上述方法实施例,在此不再赘述。
本公开实施例还提供一种计算机程序,该计算机程序被处理器执行时实现前述实施例的任意一种方法。该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 DevelopmentKit,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,所述单元的划分,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,多个单元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,装置或单元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单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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电子设备(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 (16)
1.一种点云数据的处理方法,其特征在于,所述方法包括:
获取目标场景对应的点云数据;
对获取的所述点云数据分别进行栅格化处理,得到各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个所述点云数据集中包含至少一个点云点的数据;
根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息。
2.根据权利要求1所述的处理方法,其特征在于,按照如下步骤对获取的所述点云数据进行栅格化处理:
基于雷达坐标系与笛卡尔坐标系之间的转换关系,将获取的所述点云数据中各个点云点的雷达坐标信息分别转换为对应的笛卡尔坐标信息;
根据各个栅格的坐标范围将各个点云点按照对应的笛卡尔坐标信息,划分到对应的栅格中,其中各个栅格的坐标范围根据设定的雷达检测范围和预设的栅格尺寸确定。
3.根据权利要求2所述的处理方法,其特征在于,所述根据各个栅格的坐标范围将各个点云点按照对应的笛卡尔坐标信息,划分到对应的栅格中,包括:
针对获取的每个点云点,基于该点云点对应的笛卡尔坐标信息以及各个栅格的坐标范围确定该点云点待划分的栅格;
若已划分的栅格的数量小于第一预设数量,则判断已划分到所述待划分的栅格内的点云点的数量是否小于第二预设数量;
若小于所述第二预设数量,则将该点云点划分到所述待划分的栅格。
4.根据权利要求1~3任一所述的处理方法,其特征在于,根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息,包括:
针对每个栅格的点云数据集,基于该点云数据集所对应的多个点云点的坐标信息对所述多个点云点中每个点云点进行特征增强,确定所述每个点云点的增强特征信息;所述增强特征信息具有第一特征维度;
基于该点云数据集所对应的多个点云点的增强特征信息,确定该点云数据集的编码特征信息;所述编码特征信息具有第二特征维度;所述第二特征维度的维度数大于所述第一特征维度的维度数;
基于该点云数据集的编码特征信息,确定与该栅格对应的点云特征信息。
5.根据权利要求4所述的处理方法,其特征在于,所述基于该点云数据集所对应的多个点云点的坐标信息对所述多个点云点中每个点云点进行特征增强,确定所述每个点云点的增强特征信息,包括:
针对获取的每个栅格的点云数据集,基于该点云数据集所对应的多个点云点的坐标信息,确定与该点云数据集对应的中心坐标信息;
针对每个所述点云点,基于该点云点的坐标信息以及确定的所述中心坐标信息,确定该点云点对应的第一偏差信息;以及基于该点云点的坐标信息以及所述点云数据集内除该点云点之外的其它点云点的坐标信息,确定该点云点与所述其它点云点之间的第二偏差信息;
将所述点云点的坐标信息、所述第一偏差信息以及所述第二偏差信息作为该点云点的增强特征信息。
6.根据权利要求4或5所述的处理方法,其特征在于,卷积神经网络包括卷积层和激活层;利用所述卷积神经网络基于该点云数据集所对应的多个点云点的增强特征信息,确定该点云数据集的编码特征信息,包括:
针对获取的每个栅格的点云数据集,利用所述卷积层的卷积核对该点云数据集所对应的多个点云点的增强特征信息分别进行卷积运算,得到该点云数据集内每个点云点对应的卷积特征信息;
将各个点云点对应的卷积特征信息进行组合,得到与所述点云数据集对应的卷积特征信息;
利用所述激活层的激活函数对所述点云数据集对应的卷积特征信息进行处理,得到该点云数据集的编码特征信息。
7.根据权利要求6所述的处理方法,其特征在于,利用所述激活层的激活函数对所述点云数据集对应的卷积特征信息进行处理,得到该点云数据集的编码特征信息,包括:
按照第一预设位宽对所述点云数据集对应的卷积特征信息进行量化处理,得到量化处理后的卷积特征信息;所述第一预设位宽为目标检测网络部署到运行的平台时量化的位宽,所述目标检测网络用于根据确定出的与每个栅格对应的点云特征信息检测目标对象;
利用所述激活层的激活函数对所述量化处理后的卷积特征信息进行处理,得到该点云数据集的编码特征信息。
8.根据权利要求5所述的处理方法,其特征在于,所述将所述点云点的坐标信息、所述第一偏差信息以及所述第二偏差信息作为该点云点的增强特征信息,包括:
针对所述每个点云点,按照第二预设位宽对该点云点的坐标信息、所述第一偏差信息以及所述第二偏差信息分别进行量化处理,得到量化处理后的坐标信息、第一偏差信息以及第二偏差信息;所述第二预设位宽为卷积神经网络部署到运行的平台时量化的位宽;所述卷积神经网络基于该点云数据集所对应的多个点云点的增强特征信息确定该点云数据集的编码特征信息;
将所述量化处理后的坐标信息、第一偏差信息以及第二偏差信息作为该点云点的增强特征信息。
9.根据权利要求1~8任一所述的处理方法,其特征在于,确定与每个栅格对应的点云特征信息之后,还包括:
基于确定出的与所述每个栅格对应的点云特征信息检测目标对象。
10.根据权利要求9所述的处理方法,其特征在于,基于确定出的与所述每个栅格对应的点云特征信息检测目标对象由目标检测网络执行,包括:
将各个栅格在同一特征维度下的点云特征信息作为一组输入信息,将不同特征维度分别对应的不同组输入信息并行输入至所述目标检测网络中,得到所述目标场景中的目标对象。
11.根据权利要求9所述的处理方法,其特征在于,基于确定出的与所述每个栅格对应的点云特征信息检测目标对象由目标检测网络执行,包括:
基于每个栅格对应的点云数据集中各个点云点的坐标信息,确定代表该栅格位置的目标点云点的坐标信息;
将确定出的与该栅格对应的点云特征信息作为所述目标点云点对应的点云特征信息,将所述目标点云点的坐标信息及对应的点云特征信息输入至所述目标检测网络中,得到所述目标场景中的目标对象。
12.一种雷达装置,其特征在于,包括:雷达控制器、雷达组件以及现场可编程门阵列FPGA;其中,所述雷达控制器分别与所述雷达组件以及所述FPGA电连接;
所述雷达控制器,用于控制所述雷达组件对目标场景进行扫描,得到所述目标场景对应的点云数据;
所述FPGA,用于对所述点云数据分别进行栅格化处理,得到的各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个所述点云数据集中包含至少一个点云点的数据;并根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息;以及基于确定出的与所述每个栅格对应的点云特征信息检测目标对象。
13.根据权利要求12所述的雷达装置,其特征在于,所述FPGA包括片上处理器和片上逻辑电路;
所述片上处理器,用于对所述点云数据分别进行栅格化处理,得到的各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个所述点云数据集中包含至少一个点云点的数据;并根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息;
所述片上逻辑电路,用于基于确定出的与所述每个栅格对应的点云特征信息检测目标对象。
14.一种点云数据的处理装置,其特征在于,所述装置包括:
获取模块,用于获取目标场景对应的点云数据;
处理模块,用于对获取的所述点云数据分别进行栅格化处理,得到各个栅格对应的点云数据集;同一个栅格内的点云数据集在存储介质中顺序存储;每个所述点云数据集中包含至少一个点云点的数据;
确定模块,用于根据每个栅格的点云数据集,确定与该栅格对应的点云特征信息。
15.一种电子设备,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,当电子设备运行时,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11任一所述的点云数据的处理方法的步骤。
16.一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11任一所述的点云数据的处理方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713994.7A CN113971221A (zh) | 2020-07-22 | 2020-07-22 | 一种点云数据的处理方法、装置、电子设备及存储介质 |
PCT/CN2021/103778 WO2022017147A1 (zh) | 2020-07-22 | 2021-06-30 | 点云数据的处理方法和装置、雷达装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713994.7A CN113971221A (zh) | 2020-07-22 | 2020-07-22 | 一种点云数据的处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113971221A true CN113971221A (zh) | 2022-01-25 |
Family
ID=79585085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010713994.7A Pending CN113971221A (zh) | 2020-07-22 | 2020-07-22 | 一种点云数据的处理方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113971221A (zh) |
WO (1) | WO2022017147A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292140A (zh) * | 2023-10-17 | 2023-12-26 | 小米汽车科技有限公司 | 点云数据的处理方法、装置、车辆及存储介质 |
WO2024002014A1 (zh) * | 2022-07-01 | 2024-01-04 | 上海商汤智能科技有限公司 | 交通标线的识别方法、装置、计算机设备和存储介质 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612627B (zh) * | 2022-03-11 | 2023-03-03 | 广东汇天航空航天科技有限公司 | 地形高程图的处理方法、装置、交通工具及介质 |
CN114913213B (zh) * | 2022-05-17 | 2024-03-22 | 苏州轻棹科技有限公司 | 一种鸟瞰特征的学习方法和装置 |
CN115076049A (zh) * | 2022-07-04 | 2022-09-20 | 无锡海纳智能科技有限公司 | 一种风机偏航角的确定方法、装置、存储介质及电子设备 |
CN115201817B (zh) * | 2022-09-08 | 2022-12-30 | 南京慧尔视智能科技有限公司 | 一种车道生成方法、装置、设备及存储介质 |
CN115422387B (zh) * | 2022-11-04 | 2023-02-24 | 山东矩阵软件工程股份有限公司 | 基于多维点云融合数据的点云数据处理方法及系统 |
CN116274893B (zh) * | 2023-02-24 | 2024-02-06 | 北京瓦特曼智能科技有限公司 | 检测钢包内衬侵蚀量的方法、处理器、装置及存储介质 |
CN115965925B (zh) * | 2023-03-03 | 2023-06-23 | 安徽蔚来智驾科技有限公司 | 点云目标检测方法、计算机设备、存储介质及车辆 |
CN116229399B (zh) * | 2023-03-08 | 2024-02-09 | 北京辉羲智能信息技术有限公司 | 一种用于自动驾驶图像处理的点云数据的特征提取方法、系统及介质 |
CN117037120B (zh) * | 2023-10-09 | 2024-02-09 | 之江实验室 | 一种基于时序选择的目标感知方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120121166A1 (en) * | 2010-11-12 | 2012-05-17 | Texas Instruments Incorporated | Method and apparatus for three dimensional parallel object segmentation |
CN107239794B (zh) * | 2017-05-18 | 2020-04-28 | 深圳市速腾聚创科技有限公司 | 点云数据分割方法和终端 |
CN111353512B (zh) * | 2018-12-20 | 2023-07-28 | 长沙智能驾驶研究院有限公司 | 障碍物分类方法、装置、存储介质和计算机设备 |
CN109697733A (zh) * | 2018-12-26 | 2019-04-30 | 广州文远知行科技有限公司 | 点云空间寻点方法、装置、计算机设备和存储介质 |
CN111079652B (zh) * | 2019-12-18 | 2022-05-13 | 北京航空航天大学 | 一种基于点云数据简易编码的3d目标检测方法 |
-
2020
- 2020-07-22 CN CN202010713994.7A patent/CN113971221A/zh active Pending
-
2021
- 2021-06-30 WO PCT/CN2021/103778 patent/WO2022017147A1/zh active Application Filing
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024002014A1 (zh) * | 2022-07-01 | 2024-01-04 | 上海商汤智能科技有限公司 | 交通标线的识别方法、装置、计算机设备和存储介质 |
CN117292140A (zh) * | 2023-10-17 | 2023-12-26 | 小米汽车科技有限公司 | 点云数据的处理方法、装置、车辆及存储介质 |
CN117292140B (zh) * | 2023-10-17 | 2024-04-02 | 小米汽车科技有限公司 | 点云数据的处理方法、装置、车辆及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022017147A1 (zh) | 2022-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113971221A (zh) | 一种点云数据的处理方法、装置、电子设备及存储介质 | |
Agustsson et al. | Ntire 2017 challenge on single image super-resolution: Dataset and study | |
CN111738351A (zh) | 模型训练方法、装置、存储介质及电子设备 | |
WO2023071273A1 (zh) | 点云数据的处理 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN115984662B (zh) | 一种多模态数据预训练及识别方法、装置、设备及介质 | |
CN115409755A (zh) | 贴图处理方法和装置、存储介质及电子设备 | |
CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN108986210B (zh) | 三维场景重建的方法和设备 | |
CN113569687B (zh) | 基于双流网络的场景分类方法、系统、设备及介质 | |
CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
CN111275166B (zh) | 基于卷积神经网络的图像处理装置、设备及可读存储介质 | |
CN116188805B (zh) | 海量图像的图像内容分析方法、装置和图像信息网络 | |
CN111833432B (zh) | 一种基于岩心二维灰度图像的三维重建方法 | |
CN110659724A (zh) | 一种基于目标尺度范围的目标检测卷积神经网络构建方法 | |
CN112084884A (zh) | 一种扫描电镜图像孔隙识别方法、终端设备及存储介质 | |
CN110059719B (zh) | 一种基于沃尔什变换的图像矩的目标识别方法 | |
CN115049872A (zh) | 一种融合图像点云特征的分类方法和装置 | |
CN114299204A (zh) | 三维动漫人物模型生成方法及装置 | |
CN109508217B (zh) | 一种数据处理方法、装置、设备及介质 | |
Li et al. | Efficient spatially sparse inference for conditional gans and diffusion models | |
CN113343963B (zh) | 一种基于高质量模板的智能尾箱指纹识别方法及系统 | |
CN117710602B (zh) | 面向稀疏网格三维数据的建筑物重建方法、装置及设备 | |
CN113591969B (zh) | 面部相似度评测方法、装置、设备以及存储介质 | |
CN117440104B (zh) | 一种基于目标显著性特征的数据压缩重建方法 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40059197 Country of ref document: HK |