CN115861962A - 点云过滤方法、装置、电子设备、存储介质 - Google Patents

Abstract

本发明提供一种点云过滤方法、装置、电子设备、存储介质。方法包括：获取多个视角为水平方向的视觉传感器采集的水平图像；将各所述水平图像转化为俯视视角的俯视图像；根据各所述视觉传感器的视角，将多个所述俯视图像拼接为环视图像；根据当前帧之前的至少一帧环视图像计算当前帧环视图像的浓度概率图，所述浓度概率图中对应当前帧环视图像的特征浓度用以用以指示对应特征是否为动态障碍物；基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云。本发明在无需大量激光点云数据的前提下，实现点云数据中的动态障碍物滤除。

Description

点云过滤方法、装置、电子设备、存储介质

技术领域

本发明涉及机器视觉与图像处理领域，尤其涉及一种点云过滤方法、装置、电子设备、存储介质。

背景技术

目前，在自动驾驶领域，常常需要依靠激光传感器采集的激光点云来进行地图建立和车辆定位。而在基于激光点云的地图建立和车辆定位中，动态点云的处理尤为重要。现有的动态处理只能根据激光点云的形态结构来识别激光点云是否对应动态障碍物，然而，这样的方式需要大量的激光点云数据来区分不同的对象种类。

由此，如何在无需大量激光点云数据的前提下，实现点云数据中的动态障碍物滤除是本领域技术人员亟待解决的技术问题。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种点云过滤方法、装置、电子设备、存储介质，以在无需大量激光点云数据的前提下，实现点云数据中的动态障碍物滤除。

根据本发明的一个方面，提供一种点云过滤方法，包括：

获取多个视角为水平方向的视觉传感器采集的水平图像；

将各所述水平图像转化为俯视视角的俯视图像；

根据各所述视觉传感器的视角，将多个所述俯视图像拼接为环视图像；

根据当前帧之前的至少一帧环视图像计算当前帧环视图像的浓度概率图，所述浓度概率图中对应当前帧环视图像的特征浓度用以用以指示对应特征是否为动态障碍物；

基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云。

在本申请的一些实施例中，所述将各所述水平图像转化为俯视视角的俯视图像包括：

对所述俯视图像进行分割获得分割特征以及特征标签。

在本申请的一些实施例中，所述浓度概率图中对应当前帧环视图像的特征浓度用以指示对应分割特征为动态障碍物的概率，所述基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云之后包括：

将所述分割特征的特征标签赋值给经过滤保留的激光点云。

在本申请的一些实施例中，所述浓度概率图中对应当前帧环视图像的特征浓度根据相邻帧对应特征之间的相对运动距离差、距离误差以及前一帧的对应特征的特征浓度计算。

在本申请的一些实施例中，所述根据当前帧之前的至少一帧环视图像计算当前帧环视图像的浓度概率图包括：

根据采集时刻，使前一帧环视图像中各特征对齐至当前时刻；

计算对齐后的前一帧环视图像中各特征与当前帧环视图像中对应特征之间的之间的相对运动距离差以及距离误差；

根据前一帧和当前帧环视图像对应特征之间的相对运动距离差、距离误差以及前一帧环视图像的对应特征的特征浓度计算当前帧环视图像的浓度概率图。

在本申请的一些实施例中，所述浓度概率图中对应当前帧环视图像的特征浓度

根据如下公式计算：

其中，Q_dis为前一帧和当前帧环视图像对应特征label之间的相对运动距离差，Q_miss为距离误差，

为前一帧环视图像的对应特征label的特征浓度。

在本申请的一些实施例中，所述基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云包括：

将当前帧环视图像转换至激光坐标系下，以基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云。

根据本申请的又一方面，还提供一种点云过滤装置，包括：

水平图像获取模块，用于获取多个视角为水平方向的视觉传感器采集的水平图像；

俯视视角转化模块，用于将各所述水平图像转化为俯视视角的俯视图像；

环视拼接模块，用于根据各所述视觉传感器的视角，将多个所述俯视图像拼接为环视图像；

浓度概率图计算模块，用于根据当前帧之前的至少一帧环视图像计算当前帧环视图像的浓度概率图，所述浓度概率图中对应当前帧环视图像的特征浓度用以用以指示对应特征是否为动态障碍物；

激光点云过滤模块，用于基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云。

根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。

根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。

相比现有技术，本发明的优势在于：

通过将视觉传感器采集的水平图像转换为俯视图像后进行拼接，以计算拼接的环视图像对应的浓度概率图，从而获得各特征为动态障碍物的概率，基于所计算的浓度概率图，可以过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云，从而激光点云的动态障碍物的过滤。由此，本申请无需大量激光点云来进行对象分类，即可实现激光点云的过滤，且浓度概率图基于概率进行激光点云过滤，而并非完全置信当前帧的帧差的结果，对后续诸如俯视图的语义分割效果有一定的抗干扰性，从而过滤后的激光点云在进行车辆定位和地图构建时能够获得更高的准确率。本申请尤其适用于动态障碍物较多的场景，从而可以避免动态障碍物对车辆的定位造成干扰。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的点云过滤方法的流程图；

图2示出了根据本发明实施例的采用transformer模型转化获得的俯视视角的俯视图像的示意图；

图3示出了根据本发明实施例的采用单应矩阵转化获得的俯视视角的俯视图像的示意图；

图4示出了根据本发明实施例的环视图像按采集时刻对齐的示意图；

图5示出了根据本发明具体实施例的点云过滤方法的流程图；

图6示出了根据本发明实施例的点云过滤装置的模块图；

图7示意性示出本公开示例性实施例中一种计算机可读存储介质示意图；

图8示意性示出本公开示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

为了解决现有技术的缺陷，本发明提供一种点云过滤方法。下面参见图1，图1示出了根据本发明实施例的点云过滤方法的流程图。图1共如下步骤：

步骤S110：获取多个视角为水平方向的视觉传感器采集的水平图像。

步骤S120：将各所述水平图像转化为俯视视角的俯视图像。

步骤S130：根据各所述视觉传感器的视角，将多个所述俯视图像拼接为环视图像。

步骤S140：根据当前帧之前的至少一帧环视图像计算当前帧环视图像的浓度概率图，所述浓度概率图中对应当前帧环视图像的特征浓度用以用以指示对应特征是否为动态障碍物。

步骤S150：基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云。

在本发明提供的点云过滤方法中，通过将视觉传感器采集的水平图像转换为俯视图像后进行拼接，以计算拼接的环视图像对应的浓度概率图，从而获得各特征为动态障碍物的概率，基于所计算的浓度概率图，可以过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云，从而激光点云的动态障碍物的过滤。由此，本申请无需大量激光点云来进行对象分类，即可实现激光点云的过滤，且浓度概率图基于概率进行激光点云过滤，而并非完全置信当前帧的帧差的结果，对后续诸如俯视图的语义分割效果有一定的抗干扰性，从而过滤后的激光点云在进行车辆定位和地图构建时能够获得更高的准确率。本申请尤其适用于动态障碍物较多的场景，从而可以避免动态障碍物对车辆的定位造成干扰。

具体而言，视觉传感器例如可以为摄像模块，水平方向的视角可以具有一定的偏差量，也即以水平方向为基准，在竖直方向上可以有偏差角度。进一步地，多个视角为水平方向的视觉传感器采集的图像可以覆盖车身360度范围，从而便于进行后续的环视拼接步骤。在一些具体实施例中，可以在车身四个方向上分别设置一个视觉传感器。例如，可以在车身的四个角上设置、车辆的四个面的中点设置，本申请并非以此为限制，各视觉传感器的设置位置并非以此为限制。同时，各视觉传感器的设置位置和设置参数会保存在车辆端和/服务器端以便于在后续环视拼接步骤中，确定各视觉传感器的视角范围。

具体而言，步骤S120可以通过Transformer模型将水平视角的水平图像转换为俯视视角的俯视图像。Transformer模型的视角转换相较于使用单应矩阵的转化方式，不会产生畸变，如图2和图3所示。进一步地，步骤S120中还可以对所述俯视图像进行分割获得分割特征以及特征标签。具体而言，图像分割可以基于深度学习模型来实现。深度学习模型可以将图像中不同物体的像素区域区分开。深度学习模型可以包括但不限于VGG16、FCN(全卷积网络)、SegNet(分割网络)、DeepLab等，本申请并非以此为限制。其中，将俯视图像分割获得分割特征后，还可以为各分割特征赋予特征标签。可以基于多种不同对象的图像样本学习，从而能够在分割过程中或者分割后识别出各特征区域(分割特征)的特征标签。进一步地，由于不同对象的图像样本的数量较多，从而相较于激光点云更易进行训练以能够识别出各特征区域(分割特征)的对象种类，从而赋予对应的特征标签。

在一些具体实现中，在步骤S120的对所述俯视图像进行分割获得分割特征以及特征标签之后，还可以基于特征标签进行动态障碍物的初步筛选。例如，对于特征标签为行人、车辆等的分割特征，其必然是动态障碍物，从而可以预先进行标记，无需进行后续的特征浓度的计算，且能够在激光点云中进行过滤。具体而言，该实施例中，可以通过特征标签的初步筛选，以将特征标签符合预设动态障碍物特征标签的分割特征，直接在激光点云的对应分割特征位置处进行过滤；保留特征标签不符合预设动态障碍物特征标签的分割特征，执行后续步骤中的浓度概率图和特征浓度的计算，以由特征浓度的计算来判断该分割特征是否为动态障碍物。进一步地，在一些变化例中，还可以维护静态特征标签，如植物、建筑物等，由于该些静态特征必然不会进行移动，从而也确定分割特征的特征标签后进行初步筛选，以无需对特征标签符合静态特征标签的分割特征执行后续步骤中的浓度概率图和特征浓度的计算，且对应符合静态特征标签的分割特征处的激光点云将被保留，无需进行过滤。由此，减少特征浓度的计算量，提高激光点云过滤效率，减少系统负载。

在一些具体实现中，在步骤S120的对所述俯视图像进行分割获得分割特征以及特征标签后，可以在步骤S150之后将所述分割特征的特征标签赋值给经过滤保留的激光点云。由此，无需再对激光点云进行对象识别和特征标签，减少为激光点云赋予特征标签的计算量，提高激光点云对象识别效率，减少系统负载。

具体而言，所述浓度概率图包括当前帧环视图像中的各特征(分割特征)及其特征浓度。所述浓度概率图中对应当前帧环视图像的特征浓度可以根据相邻帧对应特征之间的相对运动距离差、距离误差以及前一帧的对应特征的特征浓度计算。其中，相对运动距离差可以用以说明相邻帧对应特征是否处于运动状态。距离误差可以进行设置，以选择容许的距离误差，并可以降低深度学习处理带来的误差。前一帧的对应特征的特征浓度用于提供相应特征在前一帧中是否处于运动状态的参考。由此，使所述浓度概率图中对应当前帧环视图像的特征浓度根据相邻帧对应特征之间的相对运动距离差、距离误差以及前一帧的对应特征的特征浓度计算，从而所计算的特征浓度能够用以指示对应特征是否为动态障碍物。

具体而言，所述根据当前帧之前的至少一帧环视图像计算当前帧环视图像的浓度概率图可以包括如下步骤：根据采集时刻，使前一帧环视图像中各特征对齐至当前时刻；计算对齐后的前一帧环视图像中各特征与当前帧环视图像中对应特征之间的之间的相对运动距离差以及距离误差；根据前一帧和当前帧环视图像对应特征之间的相对运动距离差、距离误差以及前一帧环视图像的对应特征的特征浓度计算当前帧环视图像的浓度概率图。

具体而言，所述浓度概率图中对应当前帧环视图像的特征浓度

可以根据如下公式计算：

其中，Q_dis为前一帧和当前帧环视图像对应特征label之间的相对运动距离差，Q_miss为距离误差，

为前一帧环视图像的对应特征label的特征浓度。由此，本申请可以获取当前时刻前多帧环视图像，以通过上述公式自第一帧图像依次计算获得该特征在连续时间内的运动状态。

进一步地，可以为第一帧图像的特征浓度设置一初始值，初始值可以按需设置，本申请并非以此为限制。例如，在设置

的初始值后，可以依据/>

第一帧图像和第二帧图像中特征label的相对运动距离差以及距离误差，计算获得/>

然后，依据/>

第二帧图像和第三帧图像中特征label的相对运动距离差以及距离误差，计算获得/>

依次类推，直至计算到当前帧。

进一步地，在计算所述浓度概率图中对应当前帧环视图像的特征浓度时，可以确定要获取的当前时刻之前的多帧环视图像的数量，以权衡所述浓度概率图中对应当前帧环视图像的特征浓度的计算速度，以及确定对应特征是否处于运动状态的连续时间是否足够长。在一些实施例中，可以人工设置要获取的当前时刻之前的多帧环视图像的数量。在另一些实施例中，可以通过要获取的当前时刻之前的多帧环视图像的不同数量进行测试，以确定不同数量计算获得的所述浓度概率图中对应当前帧环视图像的特征浓度是否能够准确指示该特征是否为运动障碍物，从而根据计算准确度来确定要获取的当前时刻之前的多帧环视图像的数量。在又一些实施例中，也可以基于人工智能模型来预测获得要获取的当前时刻之前的多帧环视图像的数量。本申请可以实现更多的变化方式，在此不予赘述。

进一步地，距离误差可以按需设置。在一些变化例中，距离误差也可以根据误差像素的众数计算获得，本申请可以实现更多的变化方式，在此不予赘述。

进一步地，动态障碍物浓度范围可以按需设置。例如，动态障碍物浓度范围可以为小于1。本申请并非以此为限制，动态障碍物浓度范围可以为小于2、3等。在一些具体实现中，动态障碍物浓度范围可以与要获取的当前时刻之前的多帧环视图像的数量同步设定，由于要获取的当前时刻之前的多帧环视图像的不同数量输出的所述浓度概率图中对应当前帧环视图像的特征浓度不同，从而可以根据不同的特征浓度来确定动态障碍物浓度范围。本申请可以实现更多的变化方式，在此不予赘述。

具体而言，可以根据车辆的行进确定各时刻视觉传感器采集的图像的相对运动距离(X₁，X₂，......X_t)，其中，X₁，X₂，......X_t分别代表了第1、2......t个时刻与第t个时刻的相对运动的距离，从而能够基于如图3所示的方式，使得各帧环视图像能够在时间上对齐至当前帧环视图像。由此，能够基于对齐后的环视图像来计算前一帧环视图像中各特征与当前帧环视图像中对应特征之间的之间的相对运动距离差。例如，当一特征并未运动，则在对齐后的各帧环视图像，该帧的位置不变，从而获得的相对运动距离差为0；当一特征并未运动，则在对齐后的各帧环视图像，该帧的位置发生变化，从而可以根据相邻帧中同一特征之间的距离作为相对运动距离差。而若未进行对齐处理，而车辆在行进过程中，其会导致并未运动的特征在各帧之间由于相对车辆移动产生距离差，该距离差并非是由该特征本身的运动导致的，从而难以直接基于图像中对应特征的距离计算获得由特征本身运动导致的距离差，上述各时刻的环视图像对齐即去除车辆行进对特征的影响，从而能够获得准确的相对运动距离差。在一些变化例中，本申请也可以不进行对齐，而在相邻帧对应特征的相对运动距离差计算时，将车辆行进的影响导致的相对移动距离进行去除。本申请可以实现更多的变化方式，在此不予赘述。

具体而言，步骤S150还可以包括如下步骤：将当前帧环视图像转换至激光坐标系下，以基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云。由此，可以将环视图像与激光点云处于同一坐标维度下，以便于确定对应的特征。

下面参见图5，图5示出了根据本发明具体实施例的点云过滤方法的流程图。图5共示出如下步骤：

步骤S310：获取多个视角为水平方向的视觉传感器采集的水平图像。

步骤S320：将各所述水平图像转化为俯视视角的俯视图像，并对所述俯视图像进行分割获得分割特征以及特征标签。

步骤S330：根据各所述视觉传感器的视角，将多个所述俯视图像拼接为环视图像。

步骤S340：根据当前帧之前的至少一帧环视图像计算当前帧环视图像的浓度概率图，所述浓度概率图中对应当前帧环视图像的特征浓度用以用以指示对应特征是否为动态障碍物。

步骤S350：将当前帧环视图像转换至激光坐标系下。

步骤S360：获取激光传感器采集的激光点云。其中，激光传感器与视觉传感器安装在同一车辆上。

步骤S370：对激光点云进行聚类分割，获得多个点云特征以便于与环视图像的特征进行对应。

步骤S380：基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云。

步骤S390：将所述分割特征的特征标签赋值给经过滤保留的激光点云。

具体而言，激光点云进过步骤S360中聚类可以获得多个点云特征，通过步骤S380进行过滤后，会保留有部分点云特征，而这些点云特征与分割特征在俯视位置上具有对应关系。在一些实施例中，由于点云特征和分割特征都有区域范围，从而可以根据区域范围的重叠度，确定点云特征和分割特征的对应关系，例如，可以设置重叠度阈值，当重叠度大于设定重叠度阈值时，确定点云特征和分割特征的对应关系，从而可以将分割特征的特征标签赋值给经过滤保留的激光点云。在另一些实施例中，由于点云特征和分割特征都有区域范围，也可以根据区域中心的距离，确定点云特征和分割特征的对应关系，例如，可以设置距离阈值，当点云特征和分割特征的区域中心的距离小于设定距离阈值时，确定点云特征和分割特征的对应关系，从而可以将分割特征的特征标签赋值给经过滤保留的激光点云。本申请可以实现更多确定点云特征与分割特征对应关系的变化方式，在此不予赘述。

以上仅仅是本发明的点云过滤方法的多个具体实现方式，各实现方式可以独立或组合来实现，本发明并非以此为限制。进一步地，本发明的流程图仅仅是示意性地，各步骤之间的执行顺序并非以此为限制，步骤的拆分、合并、顺序交换、其它同步或异步执行的方式皆在本发明的保护范围之内。

本发明还提供一种点云过滤装置，图6示出了根据本发明实施例的点云过滤装置的模块图。点云过滤装置400包括水平图像获取模块410、俯视视角转化模块420、环视拼接模块430、浓度概率图计算模块440以及激光点云过滤模块450。

水平图像获取模块410用于获取多个视角为水平方向的视觉传感器采集的水平图像；

俯视视角转化模块420用于将各所述水平图像转化为俯视视角的俯视图像；

环视拼接模块430用于根据各所述视觉传感器的视角，将多个所述俯视图像拼接为环视图像；

浓度概率图计算模块440用于根据当前帧之前的至少一帧环视图像计算当前帧环视图像的浓度概率图，所述浓度概率图中对应当前帧环视图像的特征浓度用以用以指示对应特征是否为动态障碍物；

激光点云过滤模块450用于基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云。

在本发明提供的点云过滤装置中，通过将视觉传感器采集的水平图像转换为俯视图像后进行拼接，以计算拼接的环视图像对应的浓度概率图，从而获得各特征为动态障碍物的概率，基于所计算的浓度概率图，可以过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云，从而激光点云的动态障碍物的过滤。由此，本申请无需大量激光点云来进行对象分类，即可实现激光点云的过滤，且浓度概率图基于概率进行激光点云过滤，而并非完全置信当前帧的帧差的结果，对后续诸如俯视图的语义分割效果有一定的抗干扰性，从而过滤后的激光点云在进行车辆定位和地图构建时能够获得更高的准确率。本申请尤其适用于动态障碍物较多的场景，从而可以避免动态障碍物对车辆的定位造成干扰。

图6仅仅是示意性的分别示出本发明提供的点云过滤装置400，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的点云过滤装置400可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述点云过滤方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述点云过滤方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述点云过滤方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本发明的这种实施方式的电子设备600。图8显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述点云过滤方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述点云过滤方法。

相比现有技术，本发明的优势在于：

通过将视觉传感器采集的水平图像转换为俯视图像后进行拼接，以计算拼接的环视图像对应的浓度概率图，从而获得各特征为动态障碍物的概率，基于所计算的浓度概率图，可以过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云，从而激光点云的动态障碍物的过滤。由此，本申请无需大量激光点云来进行对象分类，即可实现激光点云的过滤，且浓度概率图基于概率进行激光点云过滤，而并非完全置信当前帧的帧差的结果，对后续诸如俯视图的语义分割效果有一定的抗干扰性，从而过滤后的激光点云在进行车辆定位和地图构建时能够获得更高的准确率。本申请尤其适用于动态障碍物较多的场景，从而可以避免动态障碍物对车辆的定位造成干扰。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种点云过滤方法，其特征在于，包括：

获取多个视角为水平方向的视觉传感器采集的水平图像；

将各所述水平图像转化为俯视视角的俯视图像；

根据各所述视觉传感器的视角，将多个所述俯视图像拼接为环视图像；

根据当前帧之前的至少一帧环视图像计算当前帧环视图像的浓度概率图，所述浓度概率图中对应当前帧环视图像的特征浓度用以用以指示对应特征是否为动态障碍物；

基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云。

2.如权利要求1所述的点云过滤方法，其特征在于，所述将各所述水平图像转化为俯视视角的俯视图像包括：

对所述俯视图像进行分割获得分割特征以及特征标签。

3.如权利要求2所述的点云过滤方法，其特征在于，所述浓度概率图中对应当前帧环视图像的特征浓度用以指示对应分割特征为动态障碍物的概率，所述基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云之后包括：

将所述分割特征的特征标签赋值给经过滤保留的激光点云。

4.如权利要求1所述的点云过滤方法，其特征在于，所述浓度概率图中对应当前帧环视图像的特征浓度根据相邻帧对应特征之间的相对运动距离差、距离误差以及前一帧的对应特征的特征浓度计算。

5.如权利要求4所述的点云过滤方法，其特征在于，所述根据当前帧之前的至少一帧环视图像计算当前帧环视图像的浓度概率图包括：

根据采集时刻，使前一帧环视图像中各特征对齐至当前时刻；

计算对齐后的前一帧环视图像中各特征与当前帧环视图像中对应特征之间的之间的相对运动距离差以及距离误差；

根据前一帧和当前帧环视图像对应特征之间的相对运动距离差、距离误差以及前一帧环视图像的对应特征的特征浓度计算当前帧环视图像的浓度概率图。

6.如权利要求5所述的点云过滤方法，其特征在于，所述浓度概率图中对应当前帧环视图像的特征浓度

根据如下公式计算：

其中，Q_dis为前一帧和当前帧环视图像对应特征label之间的相对运动距离差，Q_miss为距离误差，

为前一帧环视图像的对应特征label的特征浓度。

7.如权利要求1所述的点云过滤方法，其特征在于，所述基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云包括：

将当前帧环视图像转换至激光坐标系下，以基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云。

8.一种点云过滤装置，其特征在于，包括：

水平图像获取模块，用于获取多个视角为水平方向的视觉传感器采集的水平图像；

俯视视角转化模块，用于将各所述水平图像转化为俯视视角的俯视图像；

环视拼接模块，用于根据各所述视觉传感器的视角，将多个所述俯视图像拼接为环视图像；

浓度概率图计算模块，用于根据当前帧之前的至少一帧环视图像计算当前帧环视图像的浓度概率图，所述浓度概率图中对应当前帧环视图像的特征浓度用以用以指示对应特征是否为动态障碍物；

激光点云过滤模块，用于基于所述浓度概率图，过滤所述特征浓度符合动态障碍物浓度范围的特征处的激光点云。

9.一种电子设备，其特征在于，所述电子设备包括：

处理器；

存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如权利要求1至7任一项所述的点云过滤方法。

10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的点云过滤方法。

Images