CN114170126A - 一种点云稠密化方法、装置和电子设备 - Google Patents

Abstract

本发明公开了一种点云稠密化方法、装置和电子设备。本发明的点云稠密化方法包括：获取路侧激光雷达的多帧时序点云，对多帧时序点云中相同物体的目标级点云进行融合，得到至少一簇目标级融合点云；获取当前帧点云的至少一簇目标级点云，确定出与至少一簇目标级融合点云匹配的目标级匹配点云，并确定出目标级融合点云相对于目标级匹配点云的偏移量；根据偏移量将目标级融合点云添加到当前帧点云中。本发明的技术方案是基于偏移量对目标级点云进行位置补偿，将位置补偿后的目标级点云进行融合，有效地解决了多帧点云融合方案的运动物体拖尾问题。

Description

一种点云稠密化方法、装置和电子设备

技术领域

本发明涉及激光雷达技术领域，具体涉及一种点云稠密化方法、装置和电子设备。

背景技术

点云信息对单目/双目深度估计、3D物体检测、路径规划等自动驾驶多项技术均有着极大地影响，点云的质量表现在精度及密度(density)上。在智慧交通车路协同系统中，路侧激光雷达为路侧单元常用的传感器之一，可以提供高精度的3D空间采样，然而常用的激光雷达具有特定线数，即单帧情况下仅能获取很有限的测量点。因此，为在保证数据精度的前提下获取密度更高的点云，常见的策略是融合相邻多帧雷达点云数据，最终达到以较低的成本获取更高质量点云的目的。

现有技术中，对单帧点云数据的稠密化方法一般是将相邻帧的点云按照相对位姿投影到当前帧所在坐标系。该方法对场景以及场景中的静止物体可以得到有效的稠密化，但是对场景中的运动物体没有进行有效地处理，直接融合得到的点云在运动物体上会出现拖尾现象。

其中现有技术，例如公开号为CN112200868A公开了一种定位方法、装置和车辆，其直接截至当前时刻的一小段时间内采集的多帧点云数据叠加到当前帧数据中，实现稠密化，该方法得到的稠密化点云仍然存在运动物体会出现拖尾的问题。

发明内容

有鉴于此，本发明的主要目的在于提供了一种点云稠密化方法、装置和电子设备，以获得高质量点云。

依据本发明的第一方面，提供了一种点云稠密化方法，包括：获取路侧激光雷达的多帧时序点云，对多帧时序点云中相同物体的目标级点云进行融合，得到至少一簇目标级融合点云；获取当前帧点云的至少一簇目标级点云，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云，并确定出目标级融合点云相对于目标级匹配点云的偏移量；根据所述偏移量将所述目标级融合点云添加到当前帧点云中。

在一些实施例中，获取当前帧点云的至少一簇目标级点云，包括：获取路侧激光雷达的背景点云；根据所述背景点云确定出当前帧点云的前景点云；对所述前景点云进行聚类处理，得到至少一簇目标级点云。

在一些实施例中，根据所述背景点云确定出当前帧点云的前景点云，包括：获取当前帧点云中点云数据与所述背景点云中相应点云数据之间的距离；若所述距离大于距离阈值，确定当前帧点云中该点云数据为前景点云。

在一些实施例中，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云，包括：分别获取当前帧点云的至少一簇目标级点云的统计特征和所述至少一簇目标级融合点云的统计特征；根据所述统计特征从当前帧点云的至少一簇目标级点云中，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云。

在一些实施例中，所述统计特征包括簇重心和簇内聚合度，根据所述统计特征从当前帧点云的至少一簇目标级点云中，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云，包括：根据簇重心和簇内聚合度构建特征向量；采用匈牙利匹配算法对特征向量进行匹配计算，得到当前帧点云的各簇目标级点云与各簇目标级融合点云的匹配结果；根据匹配结果确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云。

在一些实施例中，确定出目标级融合点云相对于目标级匹配点云的偏移量，包括：分别获取目标级融合点云和目标级匹配点云的重心；根据目标级融合点云和目标级匹配点云的重心，获取所述偏移量。

在一些实施例中，根据所述偏移量将所述目标级融合点云添加到当前帧点云中，包括：根据所述偏移量对所述目标级融合点云的点云位置进行补偿；将位置补偿后的目标级融合点云添加到当前帧点云中。

在一些实施例中，对多帧时序点云中相同物体的目标级点云进行融合，包括：将多帧时序点云中第一帧点云的目标级点云融合至第二帧点云，得到第二帧点云的目标级融合点云；将第二帧点云的目标级融合点云融合至第三帧点云，得到第三帧点云的目标级融合点云；以此完成对多帧时序点云中相同目标的目标级点云进行融合。

依据本发明的第二方面，提供了一种点云稠密化装置，包括：目标融合单元，用于获取路侧激光雷达的多帧时序点云，对多帧时序点云中相同物体的目标级点云进行融合，得到至少一簇目标级融合点云；点云计算单元，用于获取当前帧点云的至少一簇目标级点云，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云，并确定出目标级融合点云相对于目标级匹配点云的偏移量；目标融合单元，还用于根据所述偏移量将所述目标级融合点云添加到当前帧点云中。

依据本发明的第三方面，提供了一种电子设备，包括处理器；以及被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行上述点云稠密化方法。

依据本发明的第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储一个或多个程序，一个或多个程序当被处理器执行时，实现上述点云稠密化方法。

本发明采用的上述至少一个技术方案能够达到以下有益效果：本发明实施例的点云稠密化方法、装置和电子设备能够有效融合多帧时序点云，获得高质量的稠密化点云，并且在融合过程中对相同物体对应的目标级点云进行一一对应，确定相邻帧中相同物体对应的目标级点云之间的偏移量，利用偏移量将目标级融合点云添加到当前帧点云中，使得各个物体对应的目标级点云可以有效融合，避免直接融合导致的拖尾问题。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的点云稠密化方法流程图；

图2示出了根据本发明一个实施例的点云稠密化装置的框图；

图3示出了根据本发明一个实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。

对于支撑智慧交通功能的路侧单元而言，路侧激光雷达是对交通环境监控的一种重要设备。激光雷达包括激光发射系统、激光接收系统和转动组件，激光发射系统一般由一个单束多线窄带激光器组成，激光器以一定的频率向朝向方向发射激光脉冲，激光脉冲在衰减距离内如果打在物体表面就会反射回来，最后被接收系统接收。转动组件通过不间断的转动，使单束多线激光脉冲实现360度周围环境信息的采集，发射器的发射频率可以达到每秒上百万个脉冲，与此同时，接收器也会在相应的时间内接收这些脉冲反射回的激光点，由大量的激光点共同构成可以勾勒周边环境的点云数据。其中，任意单个点的特征记为pi＝ (xi，yi，zi，ri) ,xi ,yi ,zi分别为X、Y、Z轴下的空间坐标值 ,ri为反射强度；通过大量点集进行坐标描述，可以将该点云数据应用于不同的感知方法，实现对周围环境3D感知。

由激光雷达的工作特性可知，激光脉冲沿直线运动，已知光的速度是确定的，根据发射时间和接收时间的时间差，可以得到物体表面与发射点的直线距离，同时结合激光脉冲的发射角度，如果以激光雷达中心作为坐标系原点，则可以得到激光反射点精确的X、Y、Z相对坐标信息，从而可以还原周围环境精确的空间信息。

目前，激光雷达的激光器的线数一般是8，16，32或64等，线数越多，激光雷达采集的原始点云的越密集，质量越高，但是高线数的激光雷达往往较为昂贵。在路侧场景中，16线束和32线束的路侧激光雷达较为常见，16线束和32线束的激光雷达扫描到物体上的点云会比较稀疏。

如前文所述，为在保证数据精度的前提下获取密度更高的点云，常见的策略是融合相邻多帧雷达点云数据，但将相邻帧的点云按照相对位姿投影到当前帧所在坐标系，将导致场景中的运动物体出现拖尾现象，融合后的数据还需要后续处理才能使用。

针对这一问题，本发明实施例提供一种点云稠密化方法，以多帧时序点云为处理对象，从各帧点云提取出前景点云并聚类，得到对应于各个物体的目标级点云数据，并确定出相邻帧之间相同物体的目标级点云之间的偏移量，利用该偏移量对前一帧点云的目标级点云进行位置补偿，通过位置补偿避免帧融合存在的运动物体的拖尾问题。

图1示出了根据本发明一个实施例的点云稠密化方法流程图，如图1所示，本实施例的方法至少包括步骤S110至步骤S130：

步骤S110，获取路侧激光雷达的多帧时序点云，对多帧时序点云中相同物体的目标级点云进行融合，得到至少一簇目标级融合点云。

这里，多帧时序点云至少包括一帧点云，多帧时序点云是指随着时间推移而依次利用同一路侧激光雷达连续采集的一系列不同帧的原始点云。

实际场景中，十字路口处的路侧单元通常会安装多个路侧激光雷达，例如在对角方向各安装一个路侧激光雷达，当路侧单元按照多个路侧激光雷达时，在初始化过程中，会对多个路侧激光雷达进行联合标定，使得多个路侧激光雷达在时间和空间上都能够同步。在此场景中，本实施例的多帧时序点云是指随着时间推移而依次利用多个路侧激光雷达连续采集的全景点云，全景点云是由时间同步和空间同步的原始点云拼接形成的。

本实施例中目标级点云是指滤除了背景点云的前景目标点云。例如在路侧场景中，车道、路边建筑物等静态恒定物体可以认为是背景，车辆、行人、动物等物体可以认为是前景。那么在各帧点云中，本实施例的目标级点云为由路侧激光雷达对车辆、行人、动物等物体表面进行采集所得到的点云数据，各个物体对应的点云数据成簇分布在原始点云中。

在对多帧时序点云中的目标级点云进行融合时，可以得到各个物体对应的目标级融合点云。例如若多帧时序点云的各帧点云中都包括两个相同物体的目标级点云，融合后可以得到两簇目标级融合点云。

步骤S120，获取当前帧点云的至少一簇目标级点云，确定出与至少一簇目标级融合点云匹配的目标级匹配点云，并确定出目标级融合点云相对目标级匹配点云的偏移量。

如前所述，若步骤S110中获取的是同一路侧激光雷达的多帧时序点云，则本步骤获取的当前帧点云为该路侧激光雷达在多帧时序点云之后时刻采集到的原始点云，当前帧点云与多帧时序点云中的最后一帧点云为相邻帧，多帧时序点云为当前帧点云的历史数据。若多帧时序点云的数据化表示为C1，C2…Cm-1，那么当前帧点云的数据化表示则为Cm，这里m为自然数，是指时间序号。

同样的，若步骤S110中获取的是多个路侧激光雷达的多帧时序全景点云，则本步骤获取的当前帧点云为该多个路侧激光雷达在多帧时序全景点云之后时刻采集到的全景点云。由于对全景点云进行稠密化的过程和对原始点云的稠密化过程实质相同，下文以同一路侧激光雷达的原始点云为例进行说明。

对当前帧点云进行目标检测，可以检测出各个物体对应的目标级点云，将目标级点云与步骤S110中得到各簇目标级融合点云进行对应物体的一致性匹配检测，若满足一致性匹配条件，说明两者对应为相同物体，此时可以基于两者的点云数据的特征计算出偏移量，利用偏移量对目标级融合点云进行位置补偿，使得补偿后的目标级融合点云与当前帧点云的目标级匹配点云处于同一物体的点云簇中，保证数据可以有效融合。

步骤S130，根据偏移量将目标级融合点云添加到当前帧点云中。

由于激光雷达特殊的感知，导致激光雷达产生的点云数据存在稀疏、无序及存在噪声的特点。针对激光雷达点云的无序性，本实施例直接将目标级融合点云添加至当前帧点云中即可，无需对融合后的点云进行采样等处理。

可见，图1所示的方法，能够有效融合多帧时序点云，达到稠密化点云，并且在融合过程中对相同物体对应的目标级点云进行一一对应，确定相邻帧中相同物体对应的目标级点云之间的偏移量，利用偏移量将目标级融合点云添加到当前帧点云中，使得各个物体对应的目标级点云可以有效融合，避免直接融合导致的拖尾问题。

本实施例中对多帧时序点云中相同物体的目标级点云进行融合是指将多帧时序点云中第一帧点云的目标级点云融合至第二帧点云，得到第二帧点云的目标级融合点云；将第二帧点云的目标级融合点云融合至第三帧点云，得到第三帧点云的目标级融合点云；以此完成对多帧时序点云中相同目标的目标级点云进行融合。

本实施例的目标级点云融合过程中需要执行目标级点云获取、目标级点云匹配、偏移量计算、点云融合四个步骤，结合下述实施例细说明这四个步骤。

第一，目标级点云获取。

以获取当前帧点云的至少一簇目标级点云为例，可以通过下述步骤获取当前帧点云Cm的各簇目标级点云：

首先，获取路侧激光雷达的背景点云，这里背景点云是在无路侧目标时该路侧激光雷达采集的点云。

其次，根据背景点云确定出当前帧点云的前景点云，例如获取当前帧点云中点云数据与背景点云中相应点云数据之间的距离，若距离大于距离阈值，确定当前帧点云中该点云数据为前景点云，否则，若距离不大于距离阈值，确定当前帧点云中该点云数据为背景点云。由于当前帧点云和背景点云为同一路侧激光雷达在不同时刻采集到的点云，因此两者具有相同的视野，基于背景点云和当前帧点云中点的三维坐标能够确定出两帧点云中相应点的对应关系。

最后，对前景点云进行聚类处理，得到至少一簇目标级点云。

本实施例可以采用DBSCAN（Density-Based Spatial Clustering ofApplications with Noise，简称为基于密度的聚类算法）聚类算法对前景点云进行聚类处理，由此得到一个或多个簇，每簇点云对应为一个物体，每簇点云的最小包围框为物体的3D框。

需要说明的是，本实施例说明了获取当前帧点云的目标级点云的具体过程，对于多帧时序点云中各帧点云的目标级点云的获取过程，可以参考当前帧点云获取目标级点云的过程，在此不再赘述。

第二，目标级点云匹配。

以对当前帧点云的至少一簇目标级点云进行目标匹配为例，从当前帧点云的至少一簇目标级点云中确定出与目标级融合点云匹配的目标级匹配点云，包括：

分别获取当前帧点云的至少一簇目标级点云的统计特征和至少一簇目标级融合点云的统计特征，这里统计特征包括但不限于簇重心和簇内聚合度；

根据统计特征从当前帧点云的至少一簇目标级点云中，确定出与至少一簇目标级融合点云匹配的目标级匹配点云。

具体地，根据簇重心和簇内聚合度构建特征向量，采用匈牙利匹配算法对特征向量进行匹配计算，得到当前帧点云的各簇目标级点云与各簇目标级融合点云的匹配结果，根据匹配结果确定出与至少一簇目标级融合点云匹配的目标级匹配点云。

举例来说，假设当前帧点云包括两簇目标级点云，分别为第一目标级点云和第二目标级点云，由多帧时序点云的目标级点云进行融合得到两簇目标级融合点云，分别为第一目标级融合点云和第二目标级融合点云。分别计算出这四簇点云的簇重心和簇内聚合度，这里簇重心和簇内聚合度的计算方法可以参考现有方案，本实施例在此不再赘述。

对这四簇点云，分别利用各自的簇重心和簇内聚合度构建特征向量，得到四个特征向量V1，V2，V3和V4，这里特征向量V1对应第一目标级点云，特征向量V2对应第二目标级点云，特征向量V3对应第一目标级融合点云，特征向量V4对应第二目标级融合点云。通过匈牙利匹配算法对这四个特征向量进行匹配计算，得到四个输出结果Out1，Out2，Out3和Out4，输出结果Out1表示特征向量V1与V3的匹配程度，输出结果Out2表示特征向量V1与V4的匹配程度，输出结果Out3表示特征向量V2与V3的匹配程度，输出结果Out4表示特征向量V2与V4的匹配程度，若输出结果的数值大于预设值，例如大于0.8，表示特征向量对应的目标级点云为相同物体的点云数据。这里匈牙利匹配算法的输出结果是大于0小于1的数值。

需要说明的是，在确定目标级匹配点云的过程中，是分别计算出当前帧点云Cm的各簇目标级点云和最后一帧点云Cm-1的各簇目标级融合点云的统计特征。

例如，在计算第二帧点云的目标级匹配点云时，先计算出第一帧点云C1的各簇目标级点云和第二帧点云C2的各簇目标级点云的统计特征，基于统计特征从第二帧点云C2的各簇目标级点云中确定出目标级匹配点云。在计算第三帧点云C3的目标级匹配点云时，先计算出第二帧点云C2的各簇目标级融合点云和第三帧点云C3的各簇目标级点云的统计特征，基于统计特征从第三帧点云C3的各簇目标级点云中确定出目标级匹配点云。

在计算第三帧点云C3的目标级匹配点云时，由于融合后的第二帧点云相较于原始第二帧全景点云，目标级点云的统计特征，例如簇重心、簇内聚合度等会发生变化，因此需要根据第二帧点云C2的各簇目标级融合点云来计算第三帧点云的目标级匹配点云。

依此，可以计算出第四帧点云C4，第五帧点云C5…第m-1帧点云Cm-1的目标级匹配点云。

第三，偏移量计算。

以计算多帧时序点云中最后一帧点云Cm-1的目标级融合点云相对当前帧点云Cm的目标级匹配点云的偏移量为例。

由于激光雷达是对物体表面进行扫描，那么对相邻帧点云中相同物体的目标级点云来说，两簇点云之间的重心距离可以有效地表征相邻帧点云中相同物体的目标级点云相对当前帧点云的偏移量。

基于此，在一些实施例中，分别获取多帧时序点云的目标级融合点云和当前帧点云的目标级匹配点云的重心；根据目标级融合点云和目标级匹配点云的重心，获取偏移量。

在路侧场景中，由于物体大多是处于路地表面的，因此在计算偏移量时，可以计算两簇点云重心在X轴和Y轴上的偏移量，无需计算Z轴偏移量。

第四，点云融合。

在得到两簇点云之间的偏移量之后，就可以确定出相同物体在相邻两帧点云的采集时间段内的移动距离，根据该偏移量对目标级融合点云的点云位置进行补偿，将位置补偿后的目标级融合点云添加到当前帧点云中，由此将相同物体的目标级点云融合到同一簇点云中，使得在融合后的点云中，目标级点云相对于背景点云更加密集，提高了激光雷达的点云质量。

需要说明的是，对于将多帧时序点云中的第一帧点云C1的各簇目标级点云添加到第二帧点云C2的过程，对第二帧点云C2的各簇目标级融合点云添加到第三帧点云C3，以及对将倒数第二帧点云Cm-2的各簇目标级融合点云添加至最后一帧点云Cm-1的过程，可以参考上文第三步和第四步关于将多帧时序点云中最后一帧点云Cm-1的目标级融合点云添加到当前帧点云Cm的过程，在此不再赘述。

综上所述，本实施例采用多帧时序点云融合的方式提高了激光雷达点云的质量，并且融合过程中是将目标级点云进行融合，背景点云仍然为原始点云数据，可以提高基于激光雷达点云的环境感知算法的效率和精度。

与前述实施例中的点云稠密化方法同属于一个技术构思，本发明实施例还提供了一种点云稠密化装置。

图2示出了根据本发明一个实施例的点云稠密化装置的框图，如图2所示，点云稠密化装置200包括：

目标融合单元210，用于获取路侧激光雷达的多帧时序点云，对多帧时序点云中相同物体的目标级点云进行融合，得到至少一簇目标级融合点云；

点云计算单元220，用于获取当前帧点云的至少一簇目标级点云，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云，并确定出目标级融合点云相对于目标级匹配点云的偏移量；

目标融合单元210，还用于根据所述偏移量将所述目标级融合点云添加到当前帧点云中。

在一些实施例中，点云计算单元220，用于获取路侧激光雷达的背景点云；根据所述背景点云确定出当前帧点云的前景点云；对所述前景点云进行聚类处理，得到至少一簇目标级点云。具体地，获取当前帧点云中点云数据与所述背景点云中相应点云数据之间的距离；若所述距离大于距离阈值，确定当前帧点云中该点云数据为前景点云。

在一些实施例中，点云计算单元220，还用于分别获取当前帧点云的至少一簇目标级点云的统计特征和所述至少一簇目标级融合点云的统计特征；根据所述统计特征从当前帧点云的至少一簇目标级点云中，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云。具体地，在所述统计特征包括簇重心和簇内聚合度时，还用于根据簇重心和簇内聚合度构建特征向量；采用匈牙利匹配算法对特征向量进行匹配计算，得到当前帧点云的各簇目标级点云与各簇目标级融合点云的匹配结果；根据匹配结果确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云。

在一些实施例中，点云计算单元220，进一步用于分别获取目标级融合点云和目标级匹配点云的重心；根据目标级融合点云和目标级匹配点云的重心，获取所述偏移量。

在一些实施例中，目标融合单元210，还用于根据所述偏移量对所述目标级融合点云的点云位置进行补偿；将位置补偿后的目标级融合点云添加到当前帧点云中。

在一些实施例中，目标融合单元210，是用于将多帧时序点云中第一帧点云的目标级点云融合至第二帧点云，得到第二帧点云的目标级融合点云；将第二帧点云的目标级融合点云融合至第三帧点云，得到第三帧点云的目标级融合点云；以此完成对多帧时序点云中相同目标的目标级点云进行融合。

能够理解，上述点云稠密化装置，能够实现前述实施例中提供的点云稠密化方法的各个步骤，关于点云稠密化方法的相关阐释均适用于点云稠密化装置，此处不再赘述。

需要说明的是：

图3示出了根据本发明一个实施例一种电子设备示意图。请参考图3，在硬件层面，该电子设备包括处理器和存储器，可选地还包括内部总线、网络接口。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、接口模块、通信模块和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。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3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放计算机可执行指令。存储器通过内部总线向处理器提供计算机可执行指令。

处理器，执行存储器所存放的计算机可执行指令，并具体用于实现以下操作：

获取路侧激光雷达的多帧时序点云，对多帧时序点云中相同物体的目标级点云进行融合，得到至少一簇目标级融合点云；

获取当前帧点云的至少一簇目标级点云，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云，并确定出目标级融合点云相对于目标级匹配点云的偏移量；

根据所述偏移量将所述目标级融合点云添加到当前帧点云中。

上述如本发明图1所示实施例揭示的点云稠密化方法执行的功能可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序当被处理器执行时，实现前述的点云稠密化方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

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功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。

以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种点云稠密化方法，其特征在于，包括：

获取路侧激光雷达的多帧时序点云，对多帧时序点云中相同物体的目标级点云进行融合，得到至少一簇目标级融合点云；

获取当前帧点云的至少一簇目标级点云，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云，并确定出目标级融合点云相对于目标级匹配点云的偏移量；

根据所述偏移量将所述目标级融合点云添加到当前帧点云中。

2.根据权利要求1所述的方法，其特征在于，获取当前帧点云的至少一簇目标级点云，包括：

获取路侧激光雷达的背景点云；

根据所述背景点云确定出当前帧点云的前景点云；

对所述前景点云进行聚类处理，得到至少一簇目标级点云。

3.根据权利要求2所述的方法，其特征在于，根据所述背景点云确定出当前帧点云的前景点云，包括：

获取当前帧点云中点云数据与所述背景点云中相应点云数据之间的距离；

若所述距离大于距离阈值，确定当前帧点云中该点云数据为前景点云。

4.根据权利要求1所述的方法，其特征在于，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云，包括：

分别获取当前帧点云的至少一簇目标级点云的统计特征和所述至少一簇目标级融合点云的统计特征；

根据所述统计特征从当前帧点云的至少一簇目标级点云中，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云。

5.根据权利要求4所述的方法，其特征在于，所述统计特征包括簇重心和簇内聚合度，根据所述统计特征从当前帧点云的至少一簇目标级点云中，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云，包括：

根据簇重心和簇内聚合度构建特征向量；

采用匈牙利匹配算法对特征向量进行匹配计算，得到当前帧点云的各簇目标级点云与各簇目标级融合点云的匹配结果；

根据匹配结果确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云。

6.根据权利要求1所述的方法，其特征在于，确定出目标级融合点云相对于目标级匹配点云的偏移量，包括：

分别获取目标级融合点云和目标级匹配点云的重心；

根据目标级融合点云和目标级匹配点云的重心，获取所述偏移量。

7.根据权利要求6所述的方法，其特征在于，根据所述偏移量将所述目标级融合点云添加到当前帧点云中，包括：

根据所述偏移量对所述目标级融合点云的点云位置进行补偿；

将位置补偿后的目标级融合点云添加到当前帧点云中。

8.根据权利要求1所述的方法，其特征在于，对多帧时序点云中相同物体的目标级点云进行融合，包括：

将多帧时序点云中第一帧点云的目标级点云融合至第二帧点云，得到第二帧点云的目标级融合点云；

将第二帧点云的目标级融合点云融合至第三帧点云，得到第三帧点云的目标级融合点云；

以此完成对多帧时序点云中相同目标的目标级点云进行融合。

9.一种点云稠密化装置，其特征在于，包括：

目标融合单元，用于获取路侧激光雷达的多帧时序点云，对多帧时序点云中相同物体的目标级点云进行融合，得到至少一簇目标级融合点云；

点云计算单元，用于获取当前帧点云的至少一簇目标级点云，确定出与所述至少一簇目标级融合点云匹配的目标级匹配点云，并确定出目标级融合点云相对于目标级匹配点云的偏移量；

目标融合单元，还用于根据所述偏移量将所述目标级融合点云添加到当前帧点云中。

10.一种电子设备，其特征在于，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1-8之任一所述点云稠密化方法。

Images