CN115409083A - 点云数据增强方法、装置、电子装置及车辆 - Google Patents

Abstract

本发明公开了一种点云数据增强方法、装置、电子装置及车辆。其中，该方法包括：获取原始点云数据，其中，原始点云数据为稀疏点云数据；利用数据增强模型对原始点云数据进行数据增强处理，得到目标点云数据，其中，目标点云数据为原始点云数据增强后的稠密点云数据，数据增强模型为采用样本数据对预设模型进行训练得到,样本数据中包括能完整表示障碍物信息的点云数据。本发明解决了在三维物体检测过程中雷达扫描的特征不完全，导致点云数据精细度不高的技术问题。

Description

点云数据增强方法、装置、电子装置及车辆

技术领域

本发明涉及数据处理领域，具体而言，涉及一种点云数据增强方法、装置、电子装置及车辆。

背景技术

三维目标检测深度学习任务通常需要大量的数据，数据对模型的鲁棒性至关重要。现有的激光雷达传感器，通常有16线、32线、64线、128线。通常，线数越高精度越高，成本越高，运行效率越低。自动驾驶车辆要在成本、运行效率和精度之间做平衡。单个激光雷达扫描的点云信息较为稀疏，很多物体尤其是远处的物体只能扫描到一部分。这样，扫描到的部分并不能表示物体的全部特征，每次扫到相同的物体，由于位置朝向遮挡等变化，可能在点云形态上看差异巨大。

现有的数据增强方法主要是将扫描到的原始点云，通过翻转、平移、抠图等手段进行增强。但这些技术手段不能够提升数据本身的精度，雷达扫描的缺点没有得到改善，进而导致增强后的点云数据精度依旧较低。

发明内容

本发明实施例提供了一种点云数据增强方法、装置、电子装置及车辆，以至少解决在三维物体检测过程中雷达扫描的特征不完全，导致点云数据精细度不高的技术问题。

根据本发明实施例的一个方面，提供了一种点云数据增强方法，包括：

获取原始点云数据，其中，原始点云数据为稀疏点云数据；利用数据增强模型对原始点云数据进行数据增强处理，得到目标点云数据，其中，目标点云数据为原始点云数据增强后的稠密点云数据，数据增强模型为采用样本数据对预设模型进行训练得到,样本数据中包括能完整表示障碍物信息的点云数据。

可选地，点云数据增强方法还包括：利用第一数据采集车辆获取第一训练输入数据；对第一训练输入数据进行处理得到数据增强模型的第一输出真值，第一输出真值是能完整表示障碍物信息的点云数据；将第一训练输入数据和第一输出真值作为样本数据；利用样本数据对预设模型进行训练得到数据增强模型。

可选地，对第一训练输入数据进行处理得到数据增强模型的第一输出真值包括：利用仿真平台对第一训练输入数据进行仿真得到第一输出真值。

可选地，利用仿真平台对第一训练输入数据进行仿真得到第一输出真值包括：利用仿真平台对第一训练输入数据进行平移、拼接、翻转中的一种或多种操作得到第一输出真值。

可选地，点云数据增强方法还包括：利用第二数据采集车辆获取样本数据，其中，样本数据包括第二训练输入数据和数据增强模型的第二输出真值，第二输出真值是能完整表示障碍物信息的点云数据；利用样本数据对预设模型进行训练得到数据增强模型。

可选地，利用第二数据采集车辆获取样本数据包括：识别样本数据中的标识信息；根据标识信息将样本数据划分为第二训练输入数据和第二输出真值。

可选地，标识信息为用于获取样本数据的传感器的身份信息。

根据本发明其中一实施例，还提供了一种点云数据增强装置，包括：

获取模块，获取模块用于获取原始点云数据，其中，原始点云数据为稀疏点云数据；处理模块，处理模块用于利用数据增强模型对原始点云数据进行数据增强处理，得到目标点云数据，其中，目标点云数据为原始点云数据增强后的稠密点云数据，数据增强模型为采用样本数据对预设模型进行训练得到,样本数据中包括能完整表示障碍物信息的点云数据。

可选地，点云数据增强装置还包括训练模块，训练模块用于利用第一数据采集车辆获取第一训练输入数据；对第一训练输入数据进行处理得到数据增强模型的第一输出真值，第一输出真值是能完整表示障碍物信息的点云数据；将第一训练输入数据和第一输出真值作为样本数据；利用样本数据对预设模型进行训练得到数据增强模型。

可选地，训练模块还用于对第一训练输入数据进行处理得到数据增强模型的第一输出真值包括：利用仿真平台对第一训练输入数据进行仿真得到第一输出真值。

可选地，训练模块还用于利用仿真平台对第一训练输入数据进行仿真得到第一输出真值包括：利用仿真平台对第一训练输入数据进行平移、拼接、翻转中的一种或多种操作得到第一输出真值。

可选地，训练模块还用于利用第二数据采集车辆获取样本数据，其中，样本数据包括第二训练输入数据和数据增强模型的第二输出真值，第二输出真值是能完整表示障碍物信息的点云数据；利用样本数据对预设模型进行训练得到数据增强模型。

可选地，训练模块还用于识别样本数据中的标识信息；根据标识信息将样本数据划分为第二训练输入数据和第二输出真值。

根据本发明其中一实施例，还提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述任一项中的点云数据增强方法。

根据本发明其中一实施例，还提供了一种非易失性存储介质，非易失性存储介质中存储有计算机程序，其中，计算机程序被设置为在计算机或处理器上运行时，执行上述任一项中的点云数据增强方法。

根据本发明其中一实施例，还提供了一种车辆，计算机程序被设置为在车辆中部署的处理器上运行，执行上述任一项中的点云数据增强方法。

在本发明实施例中，利用数据增强模型对原始点云数据进行数据增强处理，得到目标点云数据，其中数据增强模型为采用样本数据对预设模型进行训练得到,样本数据中包括能完整表示障碍物信息的点云数据，通过能表示完整障碍物信息的点云数据训练出的数据增强模型的数据增强结果更加完善，能够将稀疏的原始点云数据增强为稠密的能表示完整障碍物信息的目标点云数据，进而解决了在三维物体检测过程中雷达扫描的特征不完全，导致点云数据精细度不高的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明其中一实施例的点云数据增强方法的流程图；

图2是根据本发明其中一实施例的点云数据增强方法的第一子流程图；

图3是根据本发明其中一实施例的点云数据增强方法的第二子流程图；

图4是根据本发明其中一实施例的点云数据增强方法应用于三维物体检测的流程图；

图5是根据本发明其中一实施例的点云数据增强装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种点云数据增强方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，该计算机系统可以是部署在车辆中的软硬件设备，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

该方法实施例可以在包含存储器和处理器的电子装置、类似的控制装置或者系统中执行，且可以部署在具有自动驾驶功能的车辆中。以电子装置为例，电子装置可以包括一个或多个处理器和用于存储数据的存储器。可选地，上述电子装置还可以包括用于通信功能的通信设备以及显示设备。本领域普通技术人员可以理解，上述结构描述仅为示意，其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比上述结构描述更多或者更少的组件，或者具有与上述结构描述不同的配置。

处理器可以包括一个或多个处理单元。例如：处理器可以包括中央处理器(central processing unit，CPU)、图形处理器(graphics processing unit，GPU)、数字信号处理(digital signal processing，DSP)芯片、微处理器(microcontroller unit，MCU)、可编程逻辑器件(field－programmable gate array，FPGA)、神经网络处理器(neural-network processing unit，NPU)、张量处理器(tensor processing unit，TPU)、人工智能(artificial intelligent，AI)类型处理器等的处理装置。其中，不同的处理单元可以是独立的部件，也可以集成在一个或多个处理器中。在一些实例中，电子装置也可以包括一个或多个处理器。

存储器可用于存储计算机程序，例如存储本发明实施例中的点云数据增强方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而实现上述的点云数据增强方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至电子装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信设备用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，通信设备包括一个网络适配器(network interface controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，通信设备可以为射频(radio frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示设备可以例如触摸屏式的液晶显示器(liquid crystal display，LCD)和触摸显示器(也被称为“触摸屏”或“触摸显示屏”)。该液晶显示器可使得用户能够与移动终端的用户界面进行交互。在一些实施例中，上述移动终端具有图形用户界面(graphical userinterface，GUI)，用户可以通过触摸触敏表面上的手指接触和/或手势来与GUI进行人机交互，此处的人机交互功能可选的包括如下交互：创建网页、绘图、文字处理、制作电子文档、游戏、视频会议、即时通信、收发电子邮件、通话界面、播放数字视频、播放数字音乐和/或网络浏览等、用于执行上述人机交互功能的可执行指令被配置/存储在一个或多个处理器可执行的计算机程序产品或可读存储介质中。

图1是根据本发明实施例的点云数据增强方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取原始点云数据。

自动驾驶车辆上在行驶过程中需要不停的采集当前行驶状态下周围的障碍物的信息，一般通过在自动驾驶车辆上设置激光雷达扫描系统扫描障碍物，从而得到的障碍物的点云信息。

为了控制自动驾驶车辆的成本和运行效率，本方案所需的激光雷达扫描系统采用16线的低线雷达采集障碍物的点云信息得到原始点云数据。其中，激光雷达扫描系统可以包括一个或多个低线雷达。由于采用的是低线雷达，所以采集到的点云数据为较为稀疏的点云数据，无法表达障碍物的全部特征。

步骤S102，利用数据增强模型对原始点云数据进行数据增强处理，得到目标点云数据。

其中，目标点云数据为原始点云数据增强后的稠密点云数据，数据增强模型采用样本数据对预设模型进行训练得到,样本数据中包括能完整表示障碍物信息的点云数据其中，目标点云数据为原始点云数据增强后的稠密点云数据，数据增强模型为采用样本数据对预设模型进行训练得到,样本数据中包括能完整表示障碍物信息的点云数据。

训练成熟的数据增强模型能够将输入的原始点云数据转换成高密度的目标点云数据。样本数据中包括能完整表示障碍物信息的点云数据，能够使得训练出的数据增强模型的增强结果更加完善，目标点云数据更加接近障碍物的真实点云信息。

通过上述步骤，利用数据增强模型对原始点云数据进行数据增强处理，得到目标点云数据，其中数据增强模型采用样本数据对预设模型进行训练得到,样本数据中包括能完整表示障碍物信息的点云数据，通过能表示完整障碍物信息的点云数据训练出的数据增强模型数据增强结果更加完善，能够将稀疏的原始点云数据增强为稠密的能表示完整障碍物信息的目标点云数据，进而解决了在三维物体检测过程中雷达扫描的特征不完全，导致点云数据精细度不高的技术问题。

可选地，点云数据增强方法还包括如下步骤：

步骤S110，利用第一数据采集车辆获取第一训练输入数据。

第一数据采集车辆上的激光雷达扫描系统配置与自动驾驶车辆相同，采用一个多个16线的低线雷达采集障碍物的点云数据作为第一训练输入数据。该第一训练输入数据与自动驾驶车辆在行驶过程中通过雷达扫描系统扫描到的障碍物点云数据密度相同，均为较为稀疏的点云数据。

步骤S111，对第一训练输入数据进行处理得到数据增强模型的第一输出真值。

其中，第一输出真值是能完整表示障碍物信息的点云数据。能完整表示障碍物信息的点云数据作为点云数据增强模型的输出真值能够使得训练出的模型的输出结果更加精确。

步骤S112，将第一训练输入数据和第一输出真值作为样本数据。

将第一训练输入数据和第一输出真值整合为样本数据，每个样本中都包含至少一个第一训练输入数据和至少一个第一输出真值。其中，第一训练输入数据和第一输出真值一一对应。

步骤S113，利用样本数据对预设模型进行训练得到点云数据增强模型。

预设模型基于深度学习算法构建。将第一训练输入数据作为预设模型的输入，将第一输出真值作为预设模型的输出的真值。通过不断的输入输出、调整参数、迭代，最终得到训练完成的数据增强模型。

需要说明的是，预设模型中包括多种变换策略，包括但不限于全局旋转、全局放缩、全局平移、局部旋转、局部放缩、局部平移。

可选地，步骤S111，对第一训练输入数据进行处理得到数据增强模型的第一输出真值包括：

步骤S111a，利用仿真平台对第一训练输入数据进行仿真得到第一输出真值。

构建一个仿真平台，通过仿真平台对第一训练输入数据进行仿真得到第一输出真值。仿真平台可以基于目前世界范围内常用的自动驾驶仿真平台进行构建。

可选地，步骤S111a，利用仿真平台对第一训练输入数据进行仿真得到第一输出真值包括：

步骤S111a1，利用仿真平台对第一训练输入数据进行平移、拼接、翻转中的一种或多种操作得到第一输出真值。

平移包括上下平移、左右平移和前后平移。上下平移补充纵向未扫描到的障碍物的点云信息，左右平移补充横向未扫描到的障碍物的点云信息，前后平移补充深度方向未扫描到的障碍物的点云信息。

拼接为前后连续帧的拼接。由于障碍物和第一数据采集车辆之间的相对位置会随着车辆移动而发生变化，所以前后不同时刻扫描到的点云信息有轻微差别，并且能够扫描到同一障碍物的不同位置的点云信息。根据第一数据采集车辆的位姿信息，能够得到两帧数据的转换矩阵。通过转换矩阵能够对两帧数据进行拼接，进而形成密度更高的点云数据。需要注意的是，拼接还可以对多个相邻帧的数据进行拼接。

翻转为障碍物的点云翻转。在自动驾驶场景中，障碍物包括行人、自行车、轿车等，这些障碍物具有一定对称型。可以对障碍物进行左右对称翻转或前后对称翻转，对障碍物点云形态进行完善。

仿真平台在对第一训练输入进行平移、拼接和翻转等一系列的处理后，可以得到能完整表示障碍物信息的点云数据作为第一输出真值。

参照图2，在本发明的一些实施例中，首先通过第一数据采集车辆采集得到第一训练输入数据，然后通过仿真平台对第一训练输入数据进行处理得到第一输出真值，最后将第一训练输入数据作为预设模型的输入、第二输出真值作为预设模型的输出真值对预设模型进行训练得到数据增强模型。

可选地，点云数据增强方法还包括如下步骤：

步骤S120，利用第二数据采集车辆获取样本数据。

其中，样本数据包括第二训练输入数据和数据增强模型的第二输出真值，第二输出真值是能完整表示障碍物信息的点云数据。

第二采集车辆上设置的激光雷达扫描系统设置的低线雷达为自动驾驶车辆上设置的低线雷达的5倍、10倍或者更多倍。更多的低线雷达能采集到障碍物各个部位的信息，最终形成的点云数据能完整的表达障碍物的信息。

其中，第二输入数据为与自动驾驶车辆配置相同的低线雷达采集到的数据，第二输出真值为第二采集车辆上所有低线雷达采集到的数据。

需要说明的是，步骤S120中由第二数据采集车辆样本数据和步骤S112得到的样本数据为得到数据增强模型训练所需的样本数据的两种方式。

步骤S121，利用样本数据对预设模型进行训练得到数据增强模型。

将第一训练输入数据作为预设模型的输入，将第二输出真值作为预设模型的输出的真值。通过不断的输入输出、调增参数、迭代，最终得到训练完成的训练增强模型。

可选地，步骤S120，利用第二数据采集车辆获取样本数据可以包括如下步骤：

步骤S120a，识别样本数据中的标识信息；

第二数据采集车辆在采集样本数据时，会为样本数据赋予一个标识信息。标识信息用于表示该数据是否是与自动驾驶车辆配置相同的雷达传感器采集到的数据。

步骤S120b，根据标识信息将样本数据划分为第二训练输入数据和第二输出真值。

将被标识为与自动驾驶车辆配置相同的雷达传感器采集到的数据作为第二训练输入数据，将所有雷达传感器采集到的数据作为第二输出真值。

参照图3，在本发明的一些实施例中，通过第二数据采集车辆采集得到样本数据，然后对样本数据进行数据划分。划分得到的第二训练输入数据作为预设模型的输入，第二输出真值作为预设模型的输出真值对预设模型进行训练得到数据增强模型。

可选地，标识信息为用于获取样本数据的传感器的身份信息。

传感器的身份信息为传感器ID，传感器在采集得到数据后，将数据附上传感器的ID信息以用于表示该数据为哪个传感器采集得到的。

示例性的，如果与自动驾驶车辆配置相同的雷达传感器的ID是1，那么所有该雷达传感器采集到的数据都会被赋予一个为1的标识信息。其他所有传感器标识为2，其它传感器采集到的数据都会被赋予一个为2的标识信息。最终标识为1的数据作为第二训练输入数据，标识为1和标识为2的数据共同作为第二输出真值。

参照图4，在本发明的一些实施例中，点云数据增强方法应用于三维目标检测方法中，首先获取到原始点云数据，然后将原始点云数据输入到数据增强模型中，数据增强模型输出目标点云数据。目标点云数据为稠密点云数据，然后将稠密点云数据作为雷达感知模型的输入。稠密的点云数据能加快雷达感知模型的收敛，使训练出的雷达感知模型更加稳定，进而使三维目标检测结果更加准确。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

在本实施例中还提供了一种点云数据增强装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图5是根据本发明其中一实施例的点云数据增强装置200的结构框图，如图5所示，以点云数据增强装置200进行示例，该装置包括：获取模块201，获取模块201用于获取原始点云数据，其中，原始点云数据为稀疏点云数据；处理模块202，处理模块202用于利用数据增强模型对原始点云数据进行数据增强处理，得到目标点云数据，其中，目标点云数据为原始点云数据增强后的稠密点云数据，数据增强模型采用样本数据对预设模型进行训练得到,样本数据中包括能完整表示障碍物信息的点云数据。

可选地，在本发明的一些实施例中，点云数据增强装置200还包括训练模块，训练模块用于利用第一数据采集车辆获取第一训练输入数据；对第一训练输入数据进行处理得到数据增强模型的第一输出真值，第一输出真值是能完整表示障碍物信息的点云数据；将第一训练输入数据和第一输出真值作为样本数据；利用样本数据对预设模型进行训练得到数据增强模型。

可选地，训练模块还用于对第一训练输入数据进行处理得到数据增强模型的第一输出真值包括：利用仿真平台对第一训练输入数据进行仿真得到第一输出真值。

可选地，训练模块还用于利用仿真平台对第一训练输入数据进行仿真得到第一输出真值包括：利用仿真平台对第一训练输入数据进行平移、拼接、翻转中的一种或多种操作得到第一输出真值。

可选地，训练模块还用于利用第二数据采集车辆获取样本数据，其中，样本数据包括第二训练输入数据和数据增强模型的第二输出真值，第二输出真值是能完整表示障碍物信息的点云数据；利用样本数据对预设模型进行训练得到数据增强模型。

可选地，训练模块还用于识别样本数据中的标识信息；根据标识信息将样本数据划分为第二训练输入数据和第二输出真值。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述点云数据增强方法的实施例中的步骤。

可选地，在本实施例中，上述电子装置中的处理器可以被设置为运行计算机程序以执行以下步骤：

步骤S101，获取原始点云数据。

步骤S102，利用数据增强模型对原始点云数据进行数据增强处理，得到目标点云数据。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

本发明的实施例还提供了一种车辆，计算机程序被设置为在车辆中部署的处理器上运行，执行上述点云数据增强方法的实施例中的步骤。

本发明的实施例还提供了一种非易失性存储介质，该非易失性存储介质中存储有计算机程序，其中，该计算机程序被设置为在计算机或处理器上运行时，执行上述点云数据增强方法的实施例中的步骤。

可选地，在本实施例中，上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序：

步骤S101，获取原始点云数据。

步骤S102，利用数据增强模型对原始点云数据进行数据增强处理，得到目标点云数据。

可选地，在本实施例中，上述非易失性存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种点云数据增强方法，其特征在于，包括：

获取原始点云数据，其中，所述原始点云数据为稀疏点云数据；

利用数据增强模型对所述原始点云数据进行数据增强处理，得到目标点云数据，其中，所述目标点云数据为所述原始点云数据增强后的稠密点云数据，所述数据增强模型为采用样本数据对预设模型进行训练得到,所述样本数据中包括能完整表示障碍物信息的点云数据。

2.根据权利要求1所述的点云数据增强方法，其特征在于，所述点云数据增强方法还包括：

利用第一数据采集车辆获取第一训练输入数据；

对所述第一训练输入数据进行处理得到所述数据增强模型的第一输出真值，所述第一输出真值是能完整表示障碍物信息的点云数据；

将所述第一训练输入数据和所述第一输出真值作为所述样本数据；

利用所述样本数据对所述预设模型进行训练得到所述数据增强模型。

3.根据权利要求2所述的点云数据增强方法，其特征在于，所述对所述第一训练输入数据进行处理得到所述数据增强模型的第一输出真值包括：

利用仿真平台对所述第一训练输入数据进行仿真得到所述第一输出真值。

4.根据权利要求3所述的点云数据增强方法，其特征在于，所述利用仿真平台对所述第一训练输入数据进行仿真得到所述第一输出真值包括：

利用所述仿真平台对所述第一训练输入数据进行平移、拼接、翻转中的一种或多种操作得到所述第一输出真值。

5.根据权利要求1所述的点云数据增强方法，其特征在于，所述点云数据增强方法还包括：

利用第二数据采集车辆获取所述样本数据，其中，所述样本数据包括第二训练输入数据和所述数据增强模型的第二输出真值，所述第二输出真值是能完整表示障碍物信息的点云数据；

利用所述样本数据对所述预设模型进行训练得到所述数据增强模型。

6.根据权利要求5所述的点云数据增强方法，其特征在于，所述利用第二数据采集车辆获取所述样本数据包括：

识别所述样本数据中的标识信息；

根据所述标识信息将所述样本数据划分为所述第二训练输入数据和所述第二输出真值。

7.根据权利要求6所述的点云数据增强方法，其特征在于，所述标识信息为用于获取所述样本数据的传感器的身份信息。

8.一种点云数据增强装置，其特征在于，包括：

获取模块，所述获取模块用于获取原始点云数据，其中，所述原始点云数据为稀疏点云数据；

处理模块，所述处理模块用于利用数据增强模型对所述原始点云数据进行数据增强处理，得到目标点云数据，其中，所述目标点云数据为所述原始点云数据增强后的稠密点云数据，所述数据增强模型为采用样本数据对预设模型进行训练得到,所述样本数据中包括能完整表示障碍物信息的点云数据。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述权利要求1至7任一项中所述的点云数据增强方法。

10.一种车辆，其特征在于，计算机程序被设置为在车辆中部署的处理器上运行，执行上述权利要求1至7任一项中所述的点云数据增强方法。

Images