CN115453498A - 一种异常数据检测方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供一种异常数据检测方法、装置、设备及存储介质。所述方法包括：获取车辆行驶过程中的点云数据和感测数据，以及所述点云数据对应的第一检测结果和所述感测数据对应的第二检测结果，并获取与点云数据的采集时间对应的第一检测结果和第二检测结果之间的相似度指标，通过获取所述相似度指标满足第一异常条件的第一异常点云数据，可以从数据量庞大的点云数据中准确地筛选出异常点云数据，并提高了获取异常点云数据的效率。

Description

一种异常数据检测方法、装置、设备及存储介质

技术领域

本公开涉及数据处理领域，尤其涉及一种异常数据检测方法、装置、设备及存储介质。

背景技术

在智能驾驶领域中，感知算法对于智能驾驶车辆认知周围环境具有重要作用。其中，点云检测算法是最重要的感知算法之一，可以用于检测车辆附近的障碍物，并且给出障碍物的三维坐标、大小和类别等。

通常可以利用检测效果不符合期望的点云数据来对点云检测算法进行优化，然而这些数据的采集具有较大难度，目前主要通过人工获取用于优化点云检测算法的点云数据，成本高且效率低。

发明内容

为克服相关技术中存在的问题，本公开提供了一种异常数据检测方法、装置、设备及存储介质。

根据本公开的第一方面，提供一种异常数据检测方法，所述方法包括：

获取车辆行驶过程中的点云数据和感测数据，以及所述点云数据对应的第一检测结果和所述感测数据对应的第二检测结果；获取与所述点云数据的采集时间对应的信息对，所述信息对包括在所述采集时间所采集点云数据对应的第一检测结果，以及在所述采集时间所采集的感测数据对应的第二检测结果；获取各个采集时间对应的信息对中第一检测结果和第二检测结果之间的相似度指标；获取所述相似度指标满足第一异常条件的第一异常点云数据。

结合本公开提供的任一实施方式，所述相似度指标包括击中率，所述获取各个采集时间对应的信息对中第一检测结果和第二检测结果之间的相似度指标，包括：获取所述第一检测结果与所述第二检测结果中重叠的目标对象的第一数量；根据所述第一数量占所述第一检测结果中目标对象的总数量的比率，确定所述击中率。

结合本公开提供的任一实施方式，所述感测数据包括图像数据；所述获取所述第一检测结果与所述第二检测结果中重叠的目标对象的第一数量，包括：将第一检测结果投影到第二检测结果对应的图像坐标系下，所述第一检测结果包括目标对象的第一检测框和所述目标对象的第一类别，所述第二检测结果包括目标对象的第二检测框和所述目标对象的第二类别；获取所述第一检测框的投影区域与第二检测框的重叠率大于设定比例，且所述第一类别与所述第二类别相同的目标对象的第一数量。

结合本公开提供的任一实施方式，所述点云数据包括激光点云数据，所述感测数据包括毫米波点云数据；所述获取所述第一检测结果与所述第二检测结果中重叠的目标对象的第一数量，包括：根据获取所述激光点云数据的激光雷达与获取所述毫米波点云数据的毫米雷达之间的位姿关系，将所述第一检测结果与所述第二检测结果对齐，其中，所述第一检测结果包括目标对象的第三检测框和所述目标对象的第三类别，所述第二检测结果包括目标对象的第四检测框和所述目标对象的第四类别；获取所述第三检测框与所述第四检测框的重叠率大于设定比例，且所述第三类别与所述第四类别相同的目标对象的第一数量。

结合本公开提供的任一实施方式，所述相似度指标包括误检率，所述获取各个采集时间对应的信息对中第一检测结果和第二检测结果之间的相似度指标，包括：获取所述第一检测结果中的目标对象不存在于所述第二检测结果中的第二数量；根据所述第二数量占所述第一检测结果中目标对象的总数量的比率，确定所述误检率。

结合本公开提供的任一实施方式，所述方法应用于分布式服务器，所述获取所述相似度指标满足第一异常条件的第一异常点云数据，包括：从各个采集时间对应的相似度指标中，获取满足第一异常条件的相似度指标对应的采集时间，作为第一异常时间；获取所述第一异常时间对应的第一异常点云数据。

结合本公开提供的任一实施方式，所述方法还包括：发送所述第一异常时间以及所述第一异常时间对应的相似度指标；接收第二异常条件；从所述第一异常时间对应的相似度指标中，获取满足所述第二异常条件的相似度指标对应的第二异常时间；获取所述第二异常时间对应的第二异常点云数据；发送所述第二异常点云数据。

根据本公开的第二方面，提供一种异常数据检测装置，所述装置包括：数据获取单元，用于获取车辆行驶过程中的点云数据和感测数据，以及所述点云数据对应的第一检测结果和所述感测数据对应的第二检测结果；信息对获取单元，用于获取与所述点云数据的采集时间对应的信息对，所述信息对包括在所述采集时间所采集点云数据对应的第一检测结果，以及在所述采集时间所采集的感测数据对应的第二检测结果；异常数据获取单元，用于获取各个采集时间对应的信息对中第一检测结果和第二检测结果之间的相似度指标，并获取所述相似度指标满足第一异常条件的第一异常点云数据。

结合本公开提供的任一实施方式，所述相似度指标包括击中率，所述异常数据获取单元，具体用于：获取所述第一检测结果与所述第二检测结果中重叠的目标对象的第一数量；根据所述第一数量占所述第一检测结果中目标对象的总数量的比率，确定所述击中率。

结合本公开提供的任一实施方式，所述感测数据包括图像数据；所述异常数据获取单元，具体用于：将第一检测结果投影到第二检测结果对应的图像坐标系下，所述第一检测结果包括目标对象的第一检测框和所述目标对象的第一类别，所述第二检测结果包括目标对象的第二检测框和所述目标对象的第二类别；获取所述第一检测框的投影区域与第二检测框的重叠率大于设定比例，且所述第一类别与所述第二类别相同的目标对象的第一数量。

结合本公开提供的任一实施方式，所述点云数据包括激光点云数据，所述感测数据包括毫米波点云数据；所述异常数据获取单元，具体用于：根据获取所述激光点云数据的激光雷达与获取所述毫米波点云数据的毫米雷达之间的位姿关系，将所述第一检测结果与所述第二检测结果对齐，其中，所述第一检测结果包括目标对象的第三检测框和所述目标对象的第三类别，所述第二检测结果包括目标对象的第四检测框和所述目标对象的第四类别；获取所述第三检测框与所述第四检测框的重叠率大于设定比例，且所述第三类别与所述第四类别相同的目标对象的第一数量。

结合本公开提供的任一实施方式，所述相似度指标包括误检率，所述异常数据获取单元，具体用于：获取所述第一检测结果中的目标对象不存在于所述第二检测结果中的第二数量；根据所述第二数量占所述第一检测结果中目标对象的总数量的比率，确定所述误检率。

结合本公开提供的任一实施方式，所述方法应用于分布式服务器，所述异常数据获取单元，具体用于：从各个采集时间对应的相似度指标中，获取满足第一异常条件的相似度指标对应的采集时间，作为第一异常时间；获取所述第一异常时间对应的第一异常点云数据。

结合本公开提供的任一实施方式，所述装置还包括：发送单元，用于发送所述第一异常时间以及所述第一异常时间对应的相似度指标；接收第二异常条件；从所述第一异常时间对应的相似度指标中，获取满足所述第二异常条件的相似度指标对应的第二异常时间；获取所述第二异常时间对应的第二异常点云数据；发送所述第二异常点云数据。

根据本公开的第三方面，提供了一种电子设备，所述设备包括：处理器；用于存储处理器可执行指令的存储器，以执行本公开任一实施方式所述的方法。

根据本公开的第四方面，提供了一种计算机可读存储介质，其上储存有计算机程序指令，所述计算机程序指令被处理器执行时实现本公开任一实施方式所述的方法。

本公开提供的技术方案可以包括以下有益效果：获取车辆行驶过程中的点云数据和感测数据，以及所述点云数据对应的第一检测结果和所述感测数据对应的第二检测结果，并获取与点云数据的采集时间对应的第一检测结果和第二检测结果之间的相似度指标，通过获取所述相似度指标满足第一异常条件的第一异常点云数据，可以从数据量庞大的点云数据中准确地筛选出异常点云数据，并提高了获取异常点云数据的效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的技术方案。

图1是本公开根据一示例性实施例示出的一种异常数据检测方法的流程图。

图2是本公开根据一示例性实施例示出的一种异常数据检测方法的具体流程图。

图3为本公开根据一示例性实施例示出的异常数据检测装置的结构示意图。

图4为本公开根据一示例性实施例示出的异常数据检测的电子设备结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、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，在不脱离本公开范围的情况下，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。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

目前在智能驾驶领域，为了优化点云检测算法，通常利用人工筛选或者随机筛选的方式获取点云数据中检测效果不符合预期的点云数据，通过人工筛选的方式人力成本高，另外由于视觉疲劳等因素，筛选出的点云数据可能不满足要求。

鉴于此，本公开提供了一种异常数据检测方法，可以应用于在智能驾驶场景中，从点云检测结果中筛选出检测效果不符合预期的点云数据，之后可以利用筛选出来的点云数据来对点云检测算法进行优化。

本公开下述实施例将结合附图，对异常数据检测方法进行说明。

图1是本公开根据一示例性实施例示出的一种异常数据检测方法的流程图。如图1所示，本公开提供的异常数据检测方法，包括以下步骤101至步骤104。

在步骤101中，获取车辆行驶过程中的点云数据和感测数据，以及所述点云数据对应的第一检测结果和所述感测数据对应的第二检测结果。

通常智能驾驶车辆上可以同时部署多个传感器，各传感器可以采集相同场景的数据或者重叠程度最大的场景的数据，也就是说，多个传感器采集的数据中包括至少部分相同的目标对象。

例如，可以在智能驾驶车辆上部署激光雷达或毫米波雷达，以采集点云数据；同时在智能驾驶车辆上部署图像传感器，以获得感测数据；又例如，可以在智能驾驶车辆上部署激光雷达来采集点云数据，同时部署毫米波雷达，将毫米波雷达采集的数据作为感测数据。在这种情况下，还可以同时部署图像传感器来获得感测数据。

其中，每个传感器对应有处理所述传感器采集的数据的感知算法。利用感知算法对所采集的数据进行检测，所得到的检测结果指示传感器采集范围内的目标对象，例如障碍物、行人、其他车辆等等。

例如，采集点云数据的雷达(包括激光雷达、毫米波雷达)对应有点云检测算法，利用点云检测算法对点云数据进行检测的结果可以称为第一检测结果；利用图像检测算法对图像数据进行检测的结果可以称为第二检测结果。

在步骤102中，获取与所述点云数据的采集时间对应的信息对，所述信息对包括在所述采集时间所采集点云数据对应的第一检测结果，以及在所述采集时间所采集的感测数据对应的第二检测结果。

通过点云数据的采集时间，可以将点云数据对应的第一检测结果和感测数据对应的第二检测结果对齐，得到多个信息对。也就是说，每个信息对中包括在采集时间所采集的点云数据对应的第一检测结果，以及在所述采集时间所采集的感测数据对应的第二检测结果。

例如点云数据的采集时间为T，与采集时间T对应的信息对包括第一检测结果A和第二检测结果B，第一检测结果A是点云检测算法对采集时间T所采集的点云数据进行检测得到的检测结果，第二检测结果B是感知算法对采集时间T所采集的感测数据进行检测得到的检测结果。

在一个示例中，采集时间可以通过时间戳表示。

在步骤103中，获取各个采集时间对应的信息对中第一检测结果和第二检测结果之间的相似度指标。

利用与各传感器对应的感知算法对传感器所采集的数据进行检测，可以得到包括相同目标对象的检测结果，也就是说，各感知算法的检测结果之间存在一定的关联交叉。因此，可以通过其他感知算法的第二检测结果对点云检测算法的第一检测结果进行验证，从而获取第一检测结果异常的点云数据。

在一些实施例中，可以通过第一检测结果和第二检测结果之间的相似度指标来验证第一检测结果的准确性。

根据与采集时间对应的信息对中第一检测结果和第二检测结果之间的相似度指标，可以确定采集时间对应的相似度指标。

在步骤104中，获取所述相似度指标满足第一异常条件的第一异常点云数据。

从各个采集时间对应的相似度指标中，获取满足预设的异常条件的相似度指标对应的采集时间。根据满足异常条件的相似度指标对应的采集时间，获取对应的异常点云数据。为了与后续提及的异常条件区分，将第一次筛选的异常条件称为第一异常条件，并将根据第一异常条件筛选得到的点云数据作为第一异常点云数据，可以利用第一异常点云数据优化点云检测算法。

获取车辆行驶过程中的点云数据和感测数据，以及所述点云数据对应的第一检测结果和所述感测数据对应的第二检测结果，并获取与点云数据的采集时间对应的第一检测结果和第二检测结果之间的相似度指标，通过获取所述相似度指标满足第一异常条件的第一异常点云数据，可以从数据量庞大的点云数据中准确地筛选出异常点云数据，并提高了获取异常点云数据的效率。

也就是说，可以通过不同感知算法的第二检测结果交叉验证点云检测算法的第一检测结果，从而自动发现第一检测结果中的异常结果，以提高获取异常点云数据的效率。

在一些实施例中，相似度指标可以包括击中率，在这种情况下，获取所述第一检测结果与所述第二检测结果中重叠的目标对象的第一数量；根据所述第一数量占所述第一检测结果中目标对象的总数量的比率，确定所述击中率。

可以假设第一检测结果与第二检测结果中重叠的目标对象数量为7，第一检测结果中目标对象的总数量为10，则击中率为0.7。

击中率与第一检测结果和第二检测结果之间的相似度呈正相关，也就是说，击中率越高，第一检测结果和第二检测结果越相似，也即是点云检测算法对点云数据的检测越准确，点云数据异常的可能性越小，因此可以通过击中率筛选出用于优化点云检测算法的点云数据。

在一个示例中，感测数据可以包括图像数据，在这种情况下，可以将第一检测结果投影到第二检测结果对应的图像坐标系下，获取所述第一检测结果中目标对象的第一检测框的投影区域与所述第二检测结果中目标对象的第二检测框的重叠率大于设定比例，且所述第一检测结果中目标对象的第一类别与所述第二检测结果中目标对象的第二类别相同的目标对象的第一数量。

在感测数据包括图像数据的情况下，第二检测结果可以包括图像检测结果，点云数据对应的第一检测结果包括点云检测结果，可以利用图像检测结果验证点云检测结果的准确性，其中点云检测结果可以包括激光点云检测结果或者毫米波点云检测结果。根据获取点云数据的雷达与获取图像数据的图像采集设备之间的位姿关系，确定将点云检测结果投影到图像检测结果的投影矩阵。根据投影矩阵将点云检测结果投影到图像坐标系下，获取点云检测结果中目标对象的第一检测框的投影区域与图像检测结果中目标对象的第二检测框重叠，且点云检测结果中目标对象的第一类别和图像检测结果中目标对象的第二类别相同的目标对象的第一数量。也就是说，获取第一检测框的投影区域与第二检测框的重叠率，筛选出重叠率大于预设比例且第一类别和第二类别相同的目标对象的第一数量。

例如，点云检测结果中可以包括10个目标对象，图像检测结果中可以包括9个目标对象，可以将点云检测结果中10个目标对象的第一检测框投影到图像坐标系下，得到10个投影区域。获取10个投影区域中与9个第二检测框重叠率大于设定比例，且点云检测结果中目标对象对应的第一类别与图像检测结果中目标对象对应的第二类别相同的第一数量，例如可以假设所述第一数量为7。

在另一个示例中，点云数据可以包括激光点云数据，感测数据可以包括毫米波点云数据，在这种情况下，根据获取所述激光点云数据的激光雷达与获取所述毫米波点云数据的毫米雷达之间的位姿关系，将所述第一检测结果与所述第二检测结果对齐，并获取所述第一检测结果中目标对象的第三检测框与所述第二检测结果中目标对象的第四检测框的重叠率大于设定比例，且所述第一检测结果中目标对象的第三类别与所述第二检测结果中目标对象的第四类别相同的目标对象的第一数量。

也就是说，可以根据毫米波点云检测结果验证激光点云检测结果的准确性，激光点云检测结果中第三检测框为立体检测框，毫米波点云检测结果中第四检测框同样为立体检测框，可以将第三检测框和第四检测框对齐，获取第三检测框与第四检测框的重叠率大于设定比例，且所述第三类别与所述第四类别相同的目标对象的第一数量。

在又一个示例中，点云数据可以包括激光点云数据，感测数据可以包括毫米波点云数据和图像数据，激光点云数据对应激光点云检测结果，毫米波点云数据对应毫米波点云检测结果，图像数据对应图像检测结果，在这种情况下，可以利用毫米波点云检测结果和图像检测结果验证激光点云检测结果的准确性，也就是说，可以结合激光点云检测结果与毫米波点云检测结果之间的相似度指标，以及激光点云检测结果与图像检测结果之间的相似度指标，获得激光点云数据中的第一异常点云数据。

例如相似度指标为击中率的情况下，可以获取激光点云检测结果与毫米波点云检测结果之间的第一击中率，以及激光点云检测结果与图像检测结果之间的第二击中率，并根据第一击中率和第二击中率可以确定用于获取第一异常点云数据的最终击中率，例如可以通过平均或加权平均等方式确定最终击中率。

在利用毫米波点云数据对应毫米波点云检测结果和图像数据对应图像检测结果，检验激光点云数据对应激光点云检测结果的情况下，可以同时获取激光点云检测结果与毫米波点云检测结果和/或图像检测结果中重叠的目标对象的第一数量，并根据第一数量占激光点云检测结果中目标对象的总数量的比率，确定击中率。其中，目标对象重叠的情况包括：激光点云检测结果中的目标对象与毫米波点云检测结果中的目标对象重叠；或激光点云检测结果中的目标对象与图像检测结果中的目标对象重叠；或激光点云检测结果中的目标对象即与毫米波点云检测结果中的目标对象重叠，也与图像检测结果中的目标对象重叠。

在一些实施例中，相似度指标可以包括误检率，在这种情况下，获取所述第一检测结果中的目标对象不存在于所述第二检测结果中的第二数量；根据所述第二数量占所述第一检测结果中目标对象的总数量的比率，确定所述误检率。

其中，所述第一检测结果中的目标对象不存在于所述第二检测结果可以包括三种情况，第一种情况：第二检测结果中并没有第一检测结果中检测到的目标对象；第二种情况：第二检测结果中有第一检测结果中检测到的目标对象，但第一检测结果中目标对象的检测框与第二检测结果中所述目标对象的检测框的重叠率小于设定比例的目标对象；第三种情况：第二检测结果中有第一检测结果中检测到的目标对象，且第一检测结果中目标对象的检测框与第二检测结果中所述目标对象的检测框的重叠率大于设定比例，但第一检测结果中目标对象对应的类别与第二检测结果中目标对象对应的类别不同。

误检率与第一检测结果和第二检测结果之间的相似度呈负相关，也就是说，误检率越低，第一检测结果与第二检测结果之间的相似度越高，也即是点云检测算法对点云数据的检测越准确，点云数据异常的可能性越小，因此可以通过误检率筛选用于优化点云检测算法的点云数据。

可以假设第二数量为2，第一检测结果中目标对象的总数量为10，则误检率为0.2。

在一个示例中，感测数据可以包括图像数据，在这种情况下，可以将第一检测结果投影到第二检测结果对应的图像坐标系下，获取第一检测结果中的目标对象不存在于所述第二检测结果的目标对象的第二数量。其中，所述第一检测结果包括目标对象的第一检测框和所述目标对象的第一类别，所述第二检测结果包括目标对象的第二检测框和所述目标对象的第二类别；也就是说，获取所有存在于第一检测结果中，但不存在与第二检测结果中的目标对象数量，作为第二数量。

在另一个示例中，点云数据可以包括激光点云数据，感测数据可以包括毫米波点云数据，在这种情况下，根据获取所述激光点云数据的激光雷达与获取所述毫米波点云数据的毫米雷达之间的位姿关系，将所述第一检测结果与所述第二检测结果对齐，获取第一检测结果中的目标对象不存在于所述第二检测结果的目标对象的第二数量。

在又一个示例中，点云数据可以包括激光点云数据，感测数据可以包括毫米波点云数据和图像数据，激光点云数据对应激光点云检测结果，毫米波点云数据对应毫米波点云检测结果，图像数据对应图像检测结果，在这种情况下，可以按照前述实施例中的方式分别获取激光点云检测结果与毫米波点云检测结果间的第一误检率，以及激光点云检测结果与图像检测结果间的第二误检率，根据第一误检率和第二误检率确定用于获取异常点云数据的最终误检率，例如可以通过平均或加权平均等方式确定最终误检率。

在一些示例中，可以同时获取激光点云检测结果中既不存在于毫米波点云检测结果中，也不存在于图像检测结果中的目标对象数量，作为第二数量，根据所述第二数量占所述激光点云检测结果中目标对象的总数量的比率，确定误检率。

图2是本公开根据一示例性实施例示出的一种异常数据检测方法的具体流程图。在一些实施例中，异常数据检测方法可以应用于分布式服务器中，下面以分布式服务器中的一个节点为例，描述异常数据检测方法。其中，智能驾驶车辆上可以同时部署激光雷达、毫米波雷达和图像传感器，可以利用激光雷达采集激光点云数据，利用毫米波雷达采集毫米波点云数据，并利用图像传感器采集图像数据。

在步骤201中，获取车辆行驶过程中的原始数据。

其中，原始数据包括激光点云数据、毫米波点云数据和图像数据，以及利用激光雷达点云检测算法检测所述激光点云数据得到的激光点云检测结果、利用毫米波雷达点云检测算法检测所述毫米波点云数据得到的毫米波点云检测结果和利用图像检测算法检测所述图像数据得到的图像检测结果。

在应用于分布式服务器的情况下，一个节点获取的可以是完整的原始数据中的一部分。

在步骤202中，获取与激光点云数据的采集时间对应的信息对。

在本实施例中，可以将所接收到的原始数据转化为键值对，即将采集数据的时间T作为键(key)，将采集时间所采集的数据对应的检测结果作为值(value)。例如对于激光点云数据可以存储为(T1，激光点云检测结果V1)；对于毫米波点云数据可以存储为(T2，毫米波点云检测结果V2)；对于图像数据可以存储为(T3，图像检测结果)。

获取与激光点云数据的采集时间T1对齐的毫米波点云检测结果和图像检测结果，也就是获取键值对中与T1相同的T2和T3，并将T1-<V1,V2,V3>作为新的键值对，可以将新的键值对T1-<V1,V2,V3>称为信息对。

在确定与T1相同的T2和T3时，可以设置对应条件，例如|T2-T1|小于预设阈值，或|T3-T1|小于预设阈值。示例的，可以根据实际需要通过插值获得V1。

在步骤203中，获取各个采集时间对应的信息对中激光点云检测结果、毫米波点云检测结果和图像检测结果之间的相似度指标。

在本实施例中可以获取<V1,V2,V3>之间的相似度指标，其中相似度指标例如可以包括击中率和误检率。将相似度指标作为新的值(V4)即T1-V4。获取<V1,V2,V3>之间的击中率和误检率的方式可以参见前述实施例。

在步骤204中，从各个采集时间对应的相似度指标中，获取满足第一异常条件的相似度指标对应的采集时间，作为第一异常时间，并获取所述第一异常时间对应的第一异常点云数据。

根据预先设定的第一异常条件，可以从T1对应的相似度指标V4中，获取满足第一异常条件的目标相似度指标，将目标相似度指标对应的采集时间T1作为第一异常时间，存储第一异常时间以及所述第一异常时间对应的相似度指标。根据第一异常时间可以获取第一异常点云数据。

由于车辆行驶过程中的点云数据和感测数据，以及点云数据对应的第一检测结果和感测数据对应的第二检测结果对应的数量庞大，利用分布式算法进行处理可以提高计算效率。将上述数据存储在分布式系统中，并通过点云数据的采集时间进行索引可以降低内存的占用空间。

在一些实施例中，应用于分布式服务器的异常数据检测方法还可以包括：将发送第一异常时间以及所述第一异常时间对应的相似度指标，接收第二异常条件，从所述第一异常时间对应的相似度指标中，获取满足所述第二异常条件的相似度指标对应的第二异常时间；获取所述第二异常时间对应的第二异常点云数据；发送所述第二异常点云数据。

其中，第二异常条件比第一异常条件的更为严格，也就是第二异常条件相比于第一异常条件而言，可以筛选出数量更少的第二异常点云数据。本实施例通过筛选条件较为宽松的第一异常条件，筛选出第一异常时间以及第一异常时间对应的相似度指标供用户参考，之后用户可以根据实际需要发送第二异常条件，根据第二异常条件筛选出第二异常时间，获取并发送第二异常时间对应的第二异常点云数据，以使用户根据第二异常点云数据优化激光点云检测算法，通过两次筛选向用户提供更符合用户需求的异常点云数据。

与前述方法的实施例相对应，本公开还提供了装置及其所应用的终端的实施例。

图3为本公开根据一示例性实施例示出的异常数据检测装置的结构示意图。如图3所示，本公开提供的一种异常数据检测装置，所述装置包括：

数据获取单元301，用于获取车辆行驶过程中的点云数据和感测数据，以及所述点云数据对应的第一检测结果和所述感测数据对应的第二检测结果；

信息对获取单元302，用于获取与所述点云数据的采集时间对应的信息对，所述信息对包括在所述采集时间所采集点云数据对应的第一检测结果，以及在所述采集时间所采集的感测数据对应的第二检测结果；

异常数据获取单元303，用于获取各个采集时间对应的信息对中第一检测结果和第二检测结果之间的相似度指标，并获取所述相似度指标满足第一异常条件的第一异常点云数据。

在一些实施例中，所述相似度指标包括击中率，所述异常数据获取单元303，具体用于：获取所述第一检测结果与所述第二检测结果中重叠的目标对象的第一数量；根据所述第一数量占所述第一检测结果中目标对象的总数量的比率，确定所述击中率。

在一些实施例中，所述感测数据包括图像数据；所述异常数据获取单元303，具体用于：将第一检测结果投影到第二检测结果对应的图像坐标系下，所述第一检测结果包括目标对象的第一检测框和所述目标对象的第一类别，所述第二检测结果包括目标对象的第二检测框和所述目标对象的第二类别；获取所述第一检测框的投影区域与第二检测框的重叠率大于设定比例，且所述第一类别与所述第二类别相同的目标对象的第一数量。

在一些实施例中，所述点云数据包括激光点云数据，所述感测数据包括毫米波点云数据；所述异常数据获取单元303，具体用于：根据获取所述激光点云数据的激光雷达与获取所述毫米波点云数据的毫米雷达之间的位姿关系，将所述第一检测结果与所述第二检测结果对齐，其中，所述第一检测结果包括目标对象的第三检测框和所述目标对象的第三类别，所述第二检测结果包括目标对象的第四检测框和所述目标对象的第四类别；获取所述第三检测框与所述第四检测框的重叠率大于设定比例，且所述第三类别与所述第四类别相同的目标对象的第一数量。

在一些实施例中，所述相似度指标包括误检率，所述异常数据获取单元303，具体用于：获取所述第一检测结果中的目标对象不存在于所述第二检测结果中的第二数量；根据所述第二数量占所述第一检测结果中目标对象的总数量的比率，确定所述误检率。

在一些实施例中，所述方法应用于分布式服务器，所述异常数据获取单元303，具体用于：从各个采集时间对应的相似度指标中，获取满足第一异常条件的相似度指标对应的采集时间，作为第一异常时间；获取所述第一异常时间对应的第一异常点云数据。

在一些实施例中，所述装置还包括：发送单元，用于发送所述第一异常时间以及所述第一异常时间对应的相似度指标；接收第二异常条件；从所述第一异常时间对应的相似度指标中，获取满足所述第二异常条件的相似度指标对应的第二异常时间；获取所述第二异常时间对应的第二异常点云数据；发送所述第二异常点云数据。

图4为本公开至少一个实施例提供的异常数据检测的电子设备结构示意图。如图4所示，所述电子设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现本公开任一实施方式所述的异常数据检测方法。

本公开至少一个实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本公开任一所述的异常数据检测方法。

本领域技术人员应明白，本公开一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本公开一个或多个实施例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，本公开一个或多个实施例可采用在一个或多个其中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。

本公开中的“和/或”表示至少具有两者中的其中一个，例如，“A和/或B”包括三种方案：A、B、以及“A和B”。

本公开中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于数据处理设备实施例而言，由于其基本相似于方法实施例，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。

上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的行为或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本公开中描述的主题及功能操作的实施例可以在以下中实现：数字电子电路、有形体现的计算机软件或固件、包括本公开中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本公开中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。

本公开中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。

适合用于执行计算机程序的计算机包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备，仅举几例。

适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。

虽然本公开包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本公开内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。

类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。

由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。

以上所述仅为本公开一个或多个实施例的较佳实施例而已，并不用以限制本公开一个或多个实施例，凡在本公开一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开一个或多个实施例保护的范围之内。

Claims (10)

1.一种异常数据检测方法，其特征在于，所述方法包括：

获取车辆行驶过程中的点云数据和感测数据，以及所述点云数据对应的第一检测结果和所述感测数据对应的第二检测结果；

获取与所述点云数据的采集时间对应的信息对，所述信息对包括在所述采集时间所采集点云数据对应的第一检测结果，以及在所述采集时间所采集的感测数据对应的第二检测结果；

获取各个采集时间对应的信息对中第一检测结果和第二检测结果之间的相似度指标；

获取所述相似度指标满足第一异常条件的第一异常点云数据。

2.根据权利要求1所述的方法，其特征在于，所述相似度指标包括击中率，所述获取各个采集时间对应的信息对中第一检测结果和第二检测结果之间的相似度指标，包括：

获取所述第一检测结果与所述第二检测结果中重叠的目标对象的第一数量；

根据所述第一数量占所述第一检测结果中目标对象的总数量的比率，确定所述击中率。

3.根据权利要求2所述的方法，其特征在于，所述感测数据包括图像数据；

所述获取所述第一检测结果与所述第二检测结果中重叠的目标对象的第一数量，包括：

将第一检测结果投影到第二检测结果对应的图像坐标系下，所述第一检测结果包括目标对象的第一检测框和所述目标对象的第一类别，所述第二检测结果包括目标对象的第二检测框和所述目标对象的第二类别；

获取所述第一检测框的投影区域与第二检测框的重叠率大于设定比例，且所述第一类别与所述第二类别相同的目标对象的第一数量。

4.根据权利要求2所述的方法，其特征在于，所述点云数据包括激光点云数据，所述感测数据包括毫米波点云数据；

所述获取所述第一检测结果与所述第二检测结果中重叠的目标对象的第一数量，包括：

根据获取所述激光点云数据的激光雷达与获取所述毫米波点云数据的毫米雷达之间的位姿关系，将所述第一检测结果与所述第二检测结果对齐，其中，所述第一检测结果包括目标对象的第三检测框和所述目标对象的第三类别，所述第二检测结果包括目标对象的第四检测框和所述目标对象的第四类别；

获取所述第三检测框与所述第四检测框的重叠率大于设定比例，且所述第三类别与所述第四类别相同的目标对象的第一数量。

5.根据权利要求1所述的方法，其特征在于，所述相似度指标包括误检率，所述获取各个采集时间对应的信息对中第一检测结果和第二检测结果之间的相似度指标，包括：

获取所述第一检测结果中的目标对象不存在于所述第二检测结果中的第二数量；

根据所述第二数量占所述第一检测结果中目标对象的总数量的比率，确定所述误检率。

6.根据权利要求1所述的方法，其特征在于，所述方法应用于分布式服务器，所述获取所述相似度指标满足第一异常条件的第一异常点云数据，包括：

从各个采集时间对应的相似度指标中，获取满足第一异常条件的相似度指标对应的采集时间，作为第一异常时间；

获取所述第一异常时间对应的第一异常点云数据。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

发送所述第一异常时间以及所述第一异常时间对应的相似度指标；

接收第二异常条件；

从所述第一异常时间对应的相似度指标中，获取满足所述第二异常条件的相似度指标对应的第二异常时间；

获取所述第二异常时间对应的第二异常点云数据；

发送所述第二异常点云数据。

8.一种异常数据检测装置，其特征在于，所述装置包括：

数据获取单元，用于获取车辆行驶过程中的点云数据和感测数据，以及所述点云数据对应的第一检测结果和所述感测数据对应的第二检测结果；

信息对获取单元，用于获取与所述点云数据的采集时间对应的信息对，所述信息对包括在所述采集时间所采集点云数据对应的第一检测结果，以及在所述采集时间所采集的感测数据对应的第二检测结果；

异常数据获取单元，用于获取各个采集时间对应的信息对中第一检测结果和第二检测结果之间的相似度指标，并获取所述相似度指标满足第一异常条件的第一异常点云数据。

9.一种电子设备，其特征在于，所述设备包括：

处理器；

用于存储处理器可执行指令的存储器，以执行权利要求1至7任一所述的方法。

10.一种计算机可读存储介质，其上储存有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7任一所述的方法。

Images