CN115761128A - 一种激光雷达数据自动化标注方法、系统及存储介质 - Google Patents
一种激光雷达数据自动化标注方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115761128A CN115761128A CN202211433822.XA CN202211433822A CN115761128A CN 115761128 A CN115761128 A CN 115761128A CN 202211433822 A CN202211433822 A CN 202211433822A CN 115761128 A CN115761128 A CN 115761128A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- lane line
- frame
- unit
- 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
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种激光雷达数据自动化标注方法和系统;本发明在固定的数据采集场地收集激光雷达数据,重建三维场景,再进行标注数据采集,通过单帧点云数据与三维场景的对比,实现自动化的物体框标注,标注好的数据,可直接用于训练目标检测模型,或者进一步由人工精标,本发明方法,具有低成本、高效率、无须人工或仅需要少量人工参与的效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种激光雷达数据自动化标注方法和系统。
背景技术
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。
深度学习模型在自动驾驶中起到核心作用,而且占比越来越大,而带标签的数据是训练深度学习模型的基础。但传统数据标注大量依赖人工,成本高、效率低。
综上所述,研发一种激光雷达数据自动化标注方法和系统,仍是数据处理技术领域中亟需解决的关键问题。
发明内容
本发明提供了一种激光雷达数据自动化标注方法和系统,在固定的数据采集场地收集激光雷达数据,重建三维场景,再进行标注数据采集,通过单帧点云数据与三维场景的对比,实现自动化的物体框标注,标注好的数据,可直接用于训练目标检测模型,或者进一步由人工精标。
为实现上述目的,本发明提供了如下技术方案:
本发明的第一方面提供了一种激光雷达数据自动化标注方法,包括以下步骤:
(1)场地数据采集:采集覆盖场地上要求的所有区域的传感器的数据;
(2)利用步骤(1)采集好的点云数据做3D重建:
a)以第一帧激光雷达对应的GPS位置为坐标系原点O,点云数据为M;
b)取得下一帧激光雷达数据,及对应的GPS坐标,将点云中的xyz坐标转换到O坐标系下;
c)拼接到点云M中;
d)转到b),直到所有激光雷达数据处理完毕;
f)将点云M保存,即得到场景的3D重建结果;
(3)从3D重建后的场景自动化识别车道线:根据重建的3D点云地图M上的颜色信息或点云的反射强度,利用图像技术中的边缘检测方法提取车道线,结合点云M中点的坐标信息,得到包含xyz坐标的车道线数据;
(4)待标注点云数据与3D点云地图M匹配:利用迭代最近点算法,将待标注的点云帧F与3D点云地图M匹配,得到从场景地图M到点云帧F的变换矩阵T;
(5)为点云帧生成标签:
根据变换矩阵T将点云地图M上车道线标签投影到点云帧F上,得到这一帧的车道线标注;
去除点云帧F中与3D点云地图M重合的点,对剩余的点做DBSCAN聚类,聚类出的结果,即是点云帧F中的物体。
本发明进一步的设置为:在步骤(1)中,所述传感器包括激光雷达和GPS定位模块。
本发明进一步的设置为:在步骤(1)中,所述传感器还包括相机。
本发明进一步的设置为:在步骤(2)中,在做3D重建前,若传感器包括相机,提前标定好相机与激光雷达的外参。
在具体实施例中,在步骤(2)中,步骤a)前还有步骤
z)利用相机与激光雷达的外参投影,给点云数据增加RGB颜色信息。
本发明进一步的设置为:在步骤(3)中,在得到包含xyz坐标的车道线数据后,还可以人工对自动识别的车道线做调优。
本发明的第二方面提供了一种激光雷达数据自动化标注系统,包括场地数据采集单元、3D点云地图构建单元、车道线识别单元、标注匹配单元和标签生成单元,其中:
所述场地数据采集单元通过场地所布置的传感器,对覆盖场地上要求的所有区域进行数据采集;
所述3D点云地图构建单元根据所采集的点云数据,构建场地的3D点云地图,所述3D点云地图构建单元的输入端与场地数据采集单元的输出端连接;
所述车道线识别单元用于从所构建的3D点云地图中提取车道线,并点云M信息,获取车道线数据,所述车道线识别单元的输入端与3D点云地图构建单元的输出端连接;
所述标注匹配单元用于将待标注点云数据与3D点云地图M进行匹配,所述标注匹配单元的输入端与车道线识别单元的输出端连接;
所述标签生成单元用于将点云地图M上车道线标签投影到点云帧F上,再做DBSCAN聚类运算,获取点云帧F中的物体,所述标签生成单元的输入端与标注匹配单元的输出端连接。
本发明进一步的设置为:所述场地数据采集单元包括激光雷达和GPS定位模块。
在具体实施例中,所述场地数据采集单元还包括相机。
本发明进一步的设置为,所述标签生成单元包括车道线标注模块和聚类模块,其中:
所述车道线标注模块根据变换矩阵T将点云地图M上车道线标签投影到点云帧F上,得到这一帧的车道线标注;
所述聚类模块用于去除点云帧F中与3D点云地图M重合的点,对剩余的点做DBSCAN聚类,获得点云帧F中的物体,所述聚类模块的输入端与车道线标注模块的输出端连接。
本发明第三方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有激光雷达数据自动化标注方法的程序,所述激光雷达数据自动化标注方法的程序被处理器执行时实现上述激光雷达数据自动化标注方法的步骤。
有益效果
采用本发明提供的技术方案,与已知的公有技术相比,具有如下
有益效果:
本发明在固定的数据采集场地收集激光雷达数据,重建三维场景,再进行标注数据采集,通过单帧点云数据与三维场景的对比,实现自动化的物体框标注,标注好的数据,可直接用于训练目标检测模型,或者进一步由人工精标,本方法,具有低成本、高效率、无须人工或仅需要少量人工参与的效果。
附图说明
图1为本发明一种激光雷达数据自动化标注方法中给点云数据增加RGB颜色信息的图像;
图2为本发明一种激光雷达数据自动化标注方法中场景的3D重建结果图像;
图3为本发明一种激光雷达数据自动化标注系统的系统图。
图中标号说明:
100、场地数据采集单元;200、3D点云地图构建单元;300、车道线识别单元;400、标注匹配单元;500、标签生成单元。
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。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“套设/接”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通;对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1本发明激光雷达数据自动化标注方法
如图1-2所示,本发明提供了一种激光雷达数据自动化标注方法,包括以下步骤:
(1)场地数据采集:采集覆盖场地上要求的所有区域的传感器的数据。
进一步的,传感器包括激光雷达和GPS定位模块。
更进一步的,传感器还包括相机。
(2)利用步骤(1)采集好的点云数据做3D重建:
a)以第一帧激光雷达对应的GPS位置为坐标系原点O,点云数据为M;
b)取得下一帧激光雷达数据,及对应的GPS坐标,将点云中的xyz坐标转换到O坐标系下;
c)拼接到点云M中;
d)转到b),直到所有激光雷达数据处理完毕;
f)将点云M保存,即得到场景的3D重建结果。
进一步的,在做3D重建前,若传感器包括相机,提前标定好相机与激光雷达的外参。若采集好的数据中包含相机的彩色图像,在步骤a)前还有步骤z)利用相机与激光雷达的外参投影,给点云数据增加RGB颜色信息。
(3)从3D重建后的场景自动化识别车道线:根据重建的3D点云地图M上的颜色信息(如未设置相机,则颜色信息根据点云的反射强度获取),利用图像技术中的边缘检测方法提取车道线,结合点云M中点的坐标信息,得到包含xyz坐标的车道线数据。
进一步的,在得到包含xyz坐标的车道线数据后,还可以人工对自动识别的车道线做调优。
(4)待标注点云数据与3D点云地图M匹配:利用迭代最近点算法,将待标注的点云帧F与3D点云地图M匹配,得到从场景地图M到点云帧F的变换矩阵T。
(5)为点云帧生成标签:
根据变换矩阵T将点云地图M上车道线标签投影到点云帧F上,得到这一帧的车道线标注;
去除点云帧F中与3D点云地图M重合的点,对剩余的点做DBSCAN聚类,聚类出的结果,即是点云帧F中的物体。
在本实施例中,在固定的数据采集场地收集激光雷达数据,重建三维场景,再进行标注数据采集,通过单帧点云数据与三维场景的对比,实现自动化的物体框标注,标注好的数据,可直接用于训练目标检测模型,或者进一步由人工精标。因此,本发明方法具有低沉本、高效果的优点。
实施例2本发明激光雷达数据自动化标注系统
如图3所示,为了实现实施例1的方法,本发明还提供了一种激光雷达数据自动化标注系统,包括场地数据采集单元100、3D点云地图构建单元200、车道线识别单元300、标注匹配单元400和标签生成单元500,其中:场地数据采集单元100通过场地所步骤的传感器,对覆盖场地上要求的所有区域进行数据采集;3D点云地图构建单元200根据所采集的点云数据,构建场地的3D点云地图,3D点云地图构建单元200的输入端与场地数据采集单元100的输出端连接;车道线识别单元300用于从所构建的3D点云地图中提取车道线,并点云M信息,获取车道线数据,车道线识别单元300的输入端与3D点云地图构建单元200的输出端连接;标注匹配单元400用于将待标注点云数据与3D点云地图M进行匹配,标注匹配单元400的输入端与车道线识别单元300的输出端连接;标签生成单元500用于将点云地图M上车道线标签投影到点云帧F上,再做DBSCAN聚类运算,获取点云帧F中的物体,标签生成单元500的输入端与标注匹配单元400的输出端连接。
在本实施例中,由场地数据采集单元100将所采集的信息传输给3D点云地图构建单元200,3D点云地图构建单元200来构建场地的3D点云地图,并将其传输给车道线识别单元300,车道线识别单元300从3D点云地图中提取车道线,结合点云M信息,来获取车道线数据,将其传给标注匹配单元400,标注匹配单元400完成待标注点云数据与3D点云地图M的匹配,将匹配结果传输给标签生成单元500,由标签生成单元500来获取点云帧F中的物体。
在本发明中,场地数据采集单元100包括激光雷达和GPS定位模块,较佳的,场地数据采集单元100还包括相机。
在本实施例中,作为一种实施方式,由激光雷达和GPS定位模块采集数据,传输给3D点云地图构建单元200,作为另外一种实施方式,由激光雷达、GPS定位模块和相机来采集数据,传输给3D点云地图构建单元200,3D点云地图构建单元200先标定好相机与激光雷达的外参,根据相机与激光雷达的外参投影,给点云数据增加RGB颜色信息,在构建3D点云地图。
在本发明中,标签生成单元500包括车道线标注模块和聚类模块,其中:车道线标注模块根据变换矩阵T将点云地图M上车道线标签投影到点云帧F上,得到这一帧的车道线标注;聚类模块将点云帧F中与3D点云地图M重合的点去除,对剩余的点做DBSCAN聚类,获得点云帧F中的物体,聚类模块的输入端与车道线标注模块的输出端连接。
在本实施例中,车道线标注模块将获取的车道线标注信息,传输给聚类模块,再由聚类模块将点云帧F中与3D点云地图M重合的点去除,对剩余的点做DBSCAN聚类,获得点云帧F中的物体。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种激光雷达数据自动化标注方法,其特征在于,包括以下步骤:
(1)场地数据采集:采集覆盖场地上要求的所有区域的传感器的数据;
(2)利用步骤(1)采集好的点云数据做3D重建:
a)以第一帧激光雷达对应的GPS位置为坐标系原点O,点云数据为M;
b)取得下一帧激光雷达数据,及对应的GPS坐标,将点云中的xyz坐标转换到O坐标系下;
c)拼接到点云M中;
d)转到b),直到所有激光雷达数据处理完毕;
f)将点云M保存,即得到场景的3D重建结果;
(3)从3D重建后的场景自动化识别车道线:根据重建的3D点云地图M上的颜色信息或点云的反射强度,利用图像技术中的边缘检测方法提取车道线,结合点云M中点的坐标信息,得到包含xyz坐标的车道线数据;
(4)待标注点云数据与3D点云地图M匹配:利用迭代最近点算法,将待标注的点云帧F与3D点云地图M匹配,得到从场景地图M到点云帧F的变换矩阵T;
(5)为点云帧生成标签:
根据变换矩阵T将点云地图M上车道线标签投影到点云帧F上,得到这一帧的车道线标注;
去除点云帧F中与3D点云地图M重合的点,对剩余的点做DBSCAN聚类,聚类出的结果,即是点云帧F中的物体。
2.根据权利要求1所述的一种激光雷达数据自动化标注方法,其特征在于,在步骤(1)中,所述传感器包括激光雷达和GPS定位模块。
3.根据权利要求1或2所述的一种激光雷达数据自动化标注方法,其特征在于,在步骤(1)中,所述传感器还包括相机。
4.根据权利要求3所述的一种激光雷达数据自动化标注方法,其特征在于,在步骤(2)中,在做3D重建前,提前标定好相机与激光雷达的外参。
5.根据权利要求4所述的一种激光雷达数据自动化标注方法,其特征在于,在步骤(2)中,步骤a)前还有步骤
z)利用相机与激光雷达的外参投影,给点云数据增加RGB颜色信息。
6.根据权利要求1所述的一种激光雷达数据自动化标注方法,其特征在于,在步骤(3)中,在得到包含xyz坐标的车道线数据后,还可以人工对自动识别的车道线做调优。
7.一种激光雷达数据自动化标注系统,其特征在于,包括场地数据采集单元、3D点云地图构建单元、车道线识别单元、标注匹配单元和标签生成单元,其中:
所述场地数据采集单元通过场地所布置的传感器,对覆盖场地上要求的所有区域进行数据采集;
所述3D点云地图构建单元根据所采集的点云数据,构建场地的3D点云地图,所述3D点云地图构建单元的输入端与场地数据采集单元的输出端连接;
所述车道线识别单元用于从所构建的3D点云地图中提取车道线,并点云M信息,获取车道线数据,所述车道线识别单元的输入端与3D点云地图构建单元的输出端连接;
所述标注匹配单元用于将待标注点云数据与3D点云地图M进行匹配,所述标注匹配单元的输入端与车道线识别单元的输出端连接;
所述标签生成单元用于将点云地图M上车道线标签投影到点云帧F上,再做DBSCAN聚类运算,获取点云帧F中的物体,所述标签生成单元的输入端与标注匹配单元的输出端连接。
8.根据权利要求7所述的一种激光雷达数据自动化标注系统,其特征在于,所述场地数据采集单元包括激光雷达和GPS定位模块。
9.根据权利要求7所述的一种激光雷达数据自动化标注系统,其特征在于,所述场地数据采集单元还可以包括相机。
10.根据权利要求6-9任一权利要求所述的一种激光雷达数据自动化标注系统,其特征在于,所述标签生成单元包括车道线标注模块和聚类模块,其中:
所述车道线标注模块根据变换矩阵T将点云地图M上车道线标签投影到点云帧F上,得到这一帧的车道线标注;
所述聚类模块用于去除点云帧F中与3D点云地图M重合的点,对剩余的点做DBSCAN聚类,获得点云帧F中的物体,所述聚类模块的输入端与车道线标注模块的输出端连接。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有激光雷达数据自动化标注方法的程序,所述激光雷达数据自动化标注方法的程序被处理器执行时实现如权利要求1、2、4-6任一项权利要求所述激光雷达数据自动化标注方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211433822.XA CN115761128A (zh) | 2022-11-16 | 2022-11-16 | 一种激光雷达数据自动化标注方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211433822.XA CN115761128A (zh) | 2022-11-16 | 2022-11-16 | 一种激光雷达数据自动化标注方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761128A true CN115761128A (zh) | 2023-03-07 |
Family
ID=85372021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211433822.XA Pending CN115761128A (zh) | 2022-11-16 | 2022-11-16 | 一种激光雷达数据自动化标注方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761128A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252992A (zh) * | 2023-11-13 | 2023-12-19 | 整数智能信息技术(杭州)有限责任公司 | 基于时序数据的4d道路场景标注方法及装置、电子设备 |
-
2022
- 2022-11-16 CN CN202211433822.XA patent/CN115761128A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252992A (zh) * | 2023-11-13 | 2023-12-19 | 整数智能信息技术(杭州)有限责任公司 | 基于时序数据的4d道路场景标注方法及装置、电子设备 |
CN117252992B (zh) * | 2023-11-13 | 2024-02-23 | 整数智能信息技术(杭州)有限责任公司 | 基于时序数据的4d道路场景标注方法及装置、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Branson et al. | From Google Maps to a fine-grained catalog of street trees | |
CN110555420B (zh) | 一种基于行人区域特征提取和重识别融合模型网络及方法 | |
CN112560716B (zh) | 一种基于低层特征融合的高分辨率遥感影像水体提取方法 | |
CN104851099A (zh) | 一种基于表示学习的图像融合方法 | |
CN104036235A (zh) | 基于叶片hog特征和智能终端平台的植物物种识别方法 | |
Wang et al. | Research on image recognition of insulators based on YOLO algorithm | |
CN112884764A (zh) | 提取图像中地块的方法、装置、电子设备及存储介质 | |
CN115761128A (zh) | 一种激光雷达数据自动化标注方法、系统及存储介质 | |
CN111723814A (zh) | 基于跨图像关联的弱监督图像语义分割方法、系统、装置 | |
CN106777336A (zh) | 一种基于深度学习的公司名成分抽取系统和方法 | |
CN113052369A (zh) | 智能农机作业管理方法及系统 | |
CN112149690A (zh) | 一种基于生物图像特征识别的溯源方法和溯源系统 | |
Jiang et al. | A multi-scale approach to detecting standing dead trees in UAV RGB images based on improved faster R-CNN | |
Huang et al. | Urban Building Classification (UBC) V2-A Benchmark for Global Building Detection and Fine-grained Classification from Satellite Imagery | |
CN112560902A (zh) | 基于书脊视觉信息的图书识别方法及系统 | |
CN113989268B (zh) | 一种识别红外图像中指定设备的gis套管的方法及存储介质 | |
Wei et al. | Remote sensing image captioning using Hire-MLP | |
CN115170939A (zh) | 基于多粒度网络的水下鱼类个体识别系统及方法 | |
US11580666B2 (en) | Localization and mapping method and moving apparatus | |
Zheng et al. | A review of individual tree crown detection and delineation from optical remote sensing images | |
CN113986823A (zh) | 一种通信机房的图片归档方法、装置、介质及设备 | |
Du et al. | Tree-GPT: Modular Large Language Model Expert System for Forest Remote Sensing Image Understanding and Interactive Analysis | |
CN112101429A (zh) | 一种基于Mask R-CNN的地图地理环境自动识别方法 | |
CN110852145B (zh) | 针对无人机影像的图像检测方法、装置及系统 | |
CN115309941B (zh) | 一种基于ai的智能标签检索方法及系统 |
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 |